受 Meta in-fusion 论文启发,开发者实测四种小型 OCR 模型架构

wightmanr · x · 2026-11-21

开发者 wightmanr 在修复旧 OCR 项目 bug 复训模型时,恰好读到 Meta 的 in-fusion 论文,发现其与自己的模型结构天然契合,随即展开实验:

作者还以甜点命名整理了当前四种 NaFlex 兼容架构:Cruller(交叉注意力编码器+解码器,Donut 风格)、Fritter(图像 token 作为前缀的 decoder-only)、Cronut(raw patches+文本的单一原生 decoder-only 主干,可选 in-fusion 视觉权重)、Berliner(Cronut 式但主干为预训练 LLM,如 SmolLM/Qwen3,带 in-fusion 视觉权重)。

所属事件:开发者受 Meta in-fusion 论文启发重训 OCR 模型(2 条相关)→

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →