1. Einführung in das Tutorial

Dolphin ist ein multimodales Dokumentenanalysemodell, das von ByteDance im Mai 2025 veröffentlicht wurde. Es basiert auf einem zweistufigen Ansatz: Zunächst generiert es eine Sequenz von Dokumentlayoutelementen; anschließend nutzt es diese Elemente als Anker, um den Inhalt parallel zu analysieren. Dolphin erzielt bei verschiedenen Dokumentenanalyseaufgaben hervorragende Ergebnisse und übertrifft Modelle wie GPT-4.1 und Mistral-OCR. Entsprechende Forschungsarbeiten sind verfügbar. Dolphin: Dokumentbildanalyse über heterogene Ankeraufforderungen Es wurde von ACL 2025 akzeptiert.

Dieses Tutorial verwendet Ressourcen für eine einzelne RTX 4090-Karte.

2. Projektbeispiele

3. Bedienungsschritte

1. Klicken Sie nach dem Starten des Containers auf die API-Adresse, um die Weboberfläche aufzurufen

Wenn „Bad Gateway“ angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 1–2 Minuten und aktualisieren Sie die Seite.

2. Anwendungsbeispiele

Dokumentenerkennung

  Ergebnis 

Elementerkennung

Ergebnis 

Zitationsinformationen

Die Zitationsinformationen für dieses Projekt lauten wie folgt:

@inproceedings{dolphin2025,
  title={Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting},
  author={Feng, Hao and Wei, Shu and Fei, Xiang and Shi, Wei and Han, Yingdong and Liao, Lei and Lu, Jinghui and Wu, Binghong and Liu, Qi and Lin, Chunhui and Tang, Jingqun and Liu, Hao and Huang, Can},
  year={2025},
  booktitle={Proceedings of the 65rd Annual Meeting of the Association for Computational Linguistics (ACL)}
}