Nougat: Neural Optical Understanding for Academic Documents

本文是LLM系列文章，针对《Nougat: Neural Optical Understanding for Academic Documents》的翻译。

摘要

科学知识主要以PDF的形式存储在书籍和科学期刊中。然而，PDF格式会导致语义信息的丢失，尤其是数学表达式。我们提出了Nougat（学术文献的神经光学理解），这是一个视觉转换器模型，它执行光学字符识别（OCR）任务，将科学文献处理成标记语言，并在新的科学文献数据集上证明了我们的模型的有效性。所提出的方法通过弥合人类可读文件和机器可读文本之间的差距，为在数字时代提高科学知识的可及性提供了一个有希望的解决方案。我们发布了模型和代码，以加速未来科学文本识别的工作。

1 引言

2 相关工作

3 模型

4 数据集

5 结果与验证

5.5 局限性与未来工作

实用
新型的实用性受到许多因素的限制。首先，第5.4节中概述的重复问题。该模型是在研究论文上训练的，这意味着它在具有类似结构的文档上尤其有效。但是，它仍然可以准