1.字符分割2.字符识别

DINOv2 这篇工作可以直接理解成：把 DINOv1、iBOT 等一堆自监督技巧「凑成一个最强配方」，然后在「超大干净数据集 + 超大 ViT」上把配方拉满，从而得到一套「啥都能用、跨任务泛化很强」的视觉基础特征（visual foundation features）。本文尽量站在工程实践视角来讲清楚：在第一篇里我们已经说过：DINOv1 的核心是 Student–Teacher 自蒸馏 + 多

是目前 Qwen 家族最强的视觉-语言模型，支持，上下文长度，视频理解更强，更稳，OCR 扩到；适合复杂多模态工作流与视频/长文档检索总结。在 2 代基础上大幅增强等能力；开源有等尺寸可选，并提供。的核心创新是与，统一处理，提供尺寸，奠定了后续系列的高分辨率与视频建模底座。

分为两篇博客：发票识别一、发票识别二1.发票识别一：1.1从一张发票照片精确“发票号码”、“发票代码”所在区域2.发票识别二：    将发票代码分割成单个数字，然后用神经网络进行逐个识别...

通过图文描述详细介绍了LoRA的原理，深入浅出易于理解。在介绍原理的基础上，基于ms-swift对qwen2-7b的LoRA微调案例进行了介绍。

研究动机：LLM 处理超长上下文时计算与显存成本会随序列长度急剧上升。DeepSeek-OCR 提出把长文本转为高分辨率图像，再用视觉 token替代海量文本 token，从而显著降低成本。总体架构：一个DeepEncoder（视觉编码器）+ 一个3B MoE 解码器。DeepEncoder 以窗口注意力 + 16×卷积压缩 + 全局注意力串联，既能吃高分辨率，又能把视觉 token 压到很少；解

通过前边的 YOLO 检测器和文本编码器分别得到了特征图像和词向量，那么如何实现二者的融合，以达到开放词汇目标检测的目的？YOLO-World 中提出了新的网络架构RepVL-PAN（Re-parameterizable Vision-Language Path Aggregation Network），它通过融合视觉信息和语言信息来提升检测性能并兼顾实时推理。

yolo系列：从yolov1到yolov13。

通过前边的 YOLO 检测器和文本编码器分别得到了特征图像和词向量，那么如何实现二者的融合，以达到开放词汇目标检测的目的？YOLO-World 中提出了新的网络架构RepVL-PAN（Re-parameterizable Vision-Language Path Aggregation Network），它通过融合视觉信息和语言信息来提升检测性能并兼顾实时推理。

通过前边的 YOLO 检测器和文本编码器分别得到了特征图像和词向量，那么如何实现二者的融合，以达到开放词汇目标检测的目的？YOLO-World 中提出了新的网络架构RepVL-PAN（Re-parameterizable Vision-Language Path Aggregation Network），它通过融合视觉信息和语言信息来提升检测性能并兼顾实时推理。