[EN] Google ScreenAI：5B参数视觉语言模型，在UI与信息图理解任务上达到最先进水平
Google Research推出的ScreenAI是一种基于PaLI架构与pix2struct灵活分块策略的视觉语言模型，能以5B参数在UI与信息图理解任务中取得领先效果，同时自动生成大规模训练数据。
视觉语言模型
[EN]Google提出ScreenAI：统一理解UI与信息图的视觉语言模型
Google研究人员推出ScreenAI，一种基于PaLI架构与pix2struct灵活分片策略的视觉语言模型，仅5B参数即可在UI与信息图理解任务上达到业界领先水平。模型通过自监督预训练与人工标注微调，结合大规模屏幕标注数据，能完成UI元素识别、导航、问答等任务，并开源了三个新数据集。
[EN] ScreenAI：谷歌发布5B参数视觉语言模型，统一理解UI与信息图
谷歌研究团队推出ScreenAI，一个仅5B参数的视觉语言模型，基于PaLI架构和pix2struct的灵活分块策略，在UI元素识别、图表问答等任务上达到最优性能，并开源了Screen Annotation、ScreenQA Short和Complex ScreenQA三个新数据集。
[EN] ScreenAI：面向UI与信息图的视觉语言模型，5B参数达SOTA
Google Research发布ScreenAI，一种基于PaLI架构并融合pix2struct灵活分块策略的视觉语言模型。该模型在仅有5B参数的情况下，在WebSRC、MoTIF等UI及信息图任务上达到最优水平，并在Chart QA、DocVQA等基准测试中超越同规模模型。研究团队还开源了Screen Annotation、ScreenQA Short和Complex ScreenQA三个新数据集。
[EN] Google推出ScreenAI：端到端视觉语言模型，统一理解UI界面与信息图表
Google Research发布ScreenAI，一种基于PaLI架构并融合pix2struct灵活分块策略的5B参数视觉语言模型，专为理解用户界面与信息图表设计。通过自监督预训练和屏幕标注任务，ScreenAI在WebSRC、MoTIF、ChartQA等多项基准测试中达到或超越同规模模型的最优性能，同时发布了三个新数据集。