视觉大模型 / VLM

Where Vision Becomes Text: Locating the OCR Routing Bottleneck in Vision-Language Models

视觉成为文本：在视觉-语言模型中定位OCR路由瓶颈

Jonathan Steinberg, Oren Gal

机构 * Swarms & AI Lab (SAIL), University of Haifa（Swarms与AI实验室（SAIL），海法大学） 纠错

专题命中 文档图表理解 ：vision-language model(title,abstract)；InternVL(abstract,abstract_cn)

AI总结 研究揭示了视觉-语言模型中OCR信息进入语言处理流的瓶颈，通过因果干预分析三种架构，发现不同架构对场景文本和单阶段投影模型的敏感层不同，且PCA方向在不同数据集间可迁移，模块化OCR电路模型中移除OCR可提升计数性能。

ForMaT: Dataset for Visually-Grounded Multilingual PDF Translation

ForMaT：用于视觉接地多语言PDF翻译的数据集

Michał Ciesiółka, Dawid Wiśniewski, Adrian Charkiewicz, Kamil Guttmann

机构 * Laniqo ； Faculty of Mathematics and Computer Science, Adam Mickiewicz University（亚当·密茨凯维奇大学数学与计算机科学学院） ； Poznań University of Technology（波兹南技术大学） 纠错

专题命中 文档图表理解 ：grounding(abstract)

AI总结 ForMaT通过3956个PDF构建多语言翻译数据集，保留布局元数据以提升多模态翻译效果，采用K-Medoids采样捕捉复杂元素，揭示当前MT系统在空间接地与几何同步上的不足，为布局感知翻译模型提供基准。