Tencent mở mã nguồn Youtu-Parsing-Omni, mô hình phân tích đa thức 5B

Tencent vừa mở mã nguồn Youtu-Parsing-Omni, một mô hình đa thức (multimodal) 5 tỷ tham số có khả năng phân tích tài liệu, hình ảnh, biểu đồ, âm thanh và video thành định dạng JSON có cấu trúc thống nhất. Được điều khiển bởi prompt nhiệm vụ, bộ mã hóa omni duy nhất của mô hình có thể trích xuất bố cục, OCR, ASR, chú thích hình ảnh, khung chứa (bounding box) và chuyển động camera trên bảy nhóm tác vụ khác nhau. Bằng cách hợp nhất các tác vụ nhận thức riêng biệt như OCR, nhận dạng giọng nói, phân tích bố cục và mô tả hình ảnh vào một mô hình 5B nhỏ gọn, Youtu-Parsing-Omni giúp đơn giản hóa đáng kể quy trình trích xuất dữ liệu đa phương tiện. Với kết quả cao nhất trong các mô hình mã nguồn mở trên bảng xếp hạng OmniParsingBench (trung bình 75,08 điểm), đây là giải pháp thay thế hiệu quả và dễ triển khai cục bộ so với các mô hình thương mại như Gemini-3-Pro. Mô hình đạt kết quả hàng đầu trên OmniDocBench v1.6 với điểm tổng thể 96,96, đồng thời thể hiện hiệu suất mạnh mẽ trên các thử nghiệm chuyên biệt như ChemOCR và nhận dạng bản nhạc. Youtu-Parsing-Omni được cung cấp sẵn kèm plugin vLLM, các cấu hình phục vụ tối ưu và mẫu prompt cho tất cả định dạng được hỗ trợ.