LayoutLM
微软开发的专用文档理解预训练模型，融合文本、布局和图像信息，擅长处理扫描文档的结构化信息提取任务
核心事实
时间轴 (近 90 天)
文档信息抽取是自然语言处理中的成熟研究方向，传统方案依赖规则模板或正则表达式，深度学习方法通过标注样本训练序列标注或问答式模型，基于视觉的文档理解模型（如LayoutLM系列）进一步将文本与版面布局联合建模。
视觉模型路线的代表工具包括Unstructured.io、LlamaParse、微软的LayoutLM系列模型以及GPT-4V/Claude等多模态大模型
LayoutLM系列由微软推出，在预训练阶段融合了文本、位置坐标和图像三种模态
以LayoutLM系列为代表的多模态预训练模型将视觉、文本、位置信息联合建模，推进了文档理解领域能力边界
Docling 依赖布局检测模型（LayoutLM 系列）和表格识别模型，这些模型在首次运行时需要加载进内存
主流版式感知PDF提取方案分为基于规则的工具（如pdfplumber、PDFMiner）和基于视觉模型的方案（如Microsoft LayoutLM、Amazon Textract、Adobe PDF Extract API）
微软的LayoutLM系列模型能够联合理解文本语义和空间布局，用于文档智能处理
LayoutLM系列模型将文本、位置和视觉信息融合进Transformer架构
微软的LayoutLM和Google的Document AI通过融合视觉和语言模型来理解文档布局
全部知识事实 (10)
微软的LayoutLM和Google的Document AI通过融合视觉和语言模型来理解文档布局
65%待验证LayoutLM、Donut是专用文档理解模型的代表
60%待验证文档信息抽取是自然语言处理中的成熟研究方向，传统方案依赖规则模板或正则表达式，深度学习方法通过标注样本训练序列标注或问答式模型，基于视觉的文档理解模型（如LayoutLM系列）进一步将文本与版面布局联合建模。
50%待验证视觉模型路线的代表工具包括Unstructured.io、LlamaParse、微软的LayoutLM系列模型以及GPT-4V/Claude等多模态大模型
50%待验证LayoutLM系列由微软推出，在预训练阶段融合了文本、位置坐标和图像三种模态
50%待验证以LayoutLM系列为代表的多模态预训练模型将视觉、文本、位置信息联合建模，推进了文档理解领域能力边界
50%待验证Docling 依赖布局检测模型（LayoutLM 系列）和表格识别模型，这些模型在首次运行时需要加载进内存
50%待验证主流版式感知PDF提取方案分为基于规则的工具（如pdfplumber、PDFMiner）和基于视觉模型的方案（如Microsoft LayoutLM、Amazon Textract、Adobe PDF Extract API）
50%待验证微软的LayoutLM系列模型能够联合理解文本语义和空间布局，用于文档智能处理
50%待验证LayoutLM系列模型将文本、位置和视觉信息融合进Transformer架构
50%