死磕「文本智能」，多模态研究的下一个前沿

主要观点总结

文章介绍了多模态文本智能的研究进展和应用场景，包括感知、认知、决策等环节的技术挑战和解决方案。文中提到了合合信息在智能文档处理方向的进展，以及华中科技大学、小红书等团队在文档解析方面的技术思路。同时，南开大学教授周宇分享了关于OCR幻觉的相关工作。文章还指出，多模态文本智能是通往AGI的现实路径之一，但仍有诸多问题亟待探讨。

关键观点总结

关键观点1: 多模态文本智能的研究进展和应用场景

文章介绍了多模态文本智能的重要性和应用场景，包括感知、认知、决策等环节的技术挑战和解决方案。感知层的目标是让AI准确识别不同来源的文字、图像等要素，认知层的目标是实现类人推理和自主决策，决策层则是让AI基于思考结果主动行动。

关键观点2: 合合信息在智能文档处理方向的进展

合合信息提出了一个较为完整的技术体系，用于处理智能文档。他们重点研发了文档图像底层视觉处理、文字/文档识别、版面分析与还原、通用文档解析与抽取等技术方向，并将这些技术应用于实际产品中，如扫描全能王等。

关键观点3: 其他团队在文档解析方面的技术思路

华中科技大学和小红书等团队在文档解析方面取得了进展，采用了不同的技术思路。他们研发的模型可以支持多语言文档的解析，并在单一模型中完成版面检测、文本识别、表格解析、公式提取等任务。

关键观点4: OCR幻觉的相关工作

南开大学教授周宇分享了关于OCR幻觉的研究。他介绍了无需重新训练的语义幻觉抑制框架、专门用于评测和诊断OCR幻觉的新基准HalluText，以及针对真实世界降质文档的幻觉应对方法。

关键观点5: 多模态文本智能是通往AGI的现实路径之一

文章指出，多模态文本智能是通往人工智能通用性（AGI）的现实路径之一。通过感知、认知、决策等技术层次的不断提升，AI可以逐渐具备类似于人类的理解力和决策能力。