科技部新一代东说念主工智能发展策划中心在2023年发布的《中国东说念主工智能大模子舆图策划施展》中指出，在人人已公布的大模子数目上，中国和好意思国遥遥开头，占据了人人总和的80%以上。

跟着大模子技能的快速发展，“数据匮乏”的问题冉冉披露，这照旧成为人人大模子产业广宽濒临的挑战。麻省理工学院等高校的策划东说念主员预测，到2026年之前，机器学习的数据集可能会毁坏扫数可用的优质数据。

此外，大模子的数据主要以英文为主，汉文数据的比例仅为1.3%，汉文数据的阵势尤为严峻。在最近举行的中国图象图形大会上，由CSIG文档图像分析与识别专委会与上海合合信息科技股份有限公司（简称“合合信息”）衔尾主理的《大模子技能荒谬前沿利用》论坛上，来自华南理工大学、上海交通大学、清华大学、复旦大学、上海东说念主工智能实验室、合合信息等高校、策划机构和企业的内行代表就大模子技能在图像规模的进展和利用进行了深化的研究。

现在，大量的优质数据资源散播在册本、论文、策划施展、企业文献等文献中，复杂的版面布局放弃了大模子的施行数据处理和大模子文献问答的利用能力。文档判辨技能的超过使得机器概况识别文献中的多种元素，更灵验地处理文本、表格、图像等多类型数据，收复文献的阅读轨则，加快大模子的施行和利用。在论坛上，合合信息智能翻新办事部的研发总监常扬共享了合合信息在智能文档处理技能规模的使命，为与会者提供了新的技能视角。

合合信息推出的TextIn智能文档处理平台，在处理文本、表格、图像等非结构化数据时，最快能在1.5秒内完成百页长文档的判辨；不仅速率迅捷，还具备清爽能力，概况智能地收复文档的阅读轨则。面对多种类型的样本问题，合合信息在TextIn文档判辨的算法阶段，就荒谬注重图表数据的施行。现在，TextIn文档判辨器用概况将柱状图、折线图、饼图、雷达图等十多种常见图表，以及任何纪律的文献“判辨”，并将其拆分为Json（轻量级数据交换纪律）或Markdown（轻量级标志话语）纪律。

针对汉文数据库枯竭的问题，合合信息开头将利用场景提前，在模子个性化之前就为其补充大量优质的垂直规模常识，举例金融、法律、讲解等，见谅特定行业中的广宽问题，凭据用户需求在家具策画时提供科罚决策，从而培植大模子加快器在中枢利用场景中的发扬。其次，合合信息专注于家具化，不仅为客户提供通用场景的API，还提供更多器用型家具，镌汰利用门槛，达成即开即用，这关于技能资源相对有限的传统企业、中小创业公司或个东说念主竖立者来说荒谬故意。

预测夙昔开云体育，合合信息将不绝在大模子规模深化策划，挖掘潜在的挑战，为东说念主工智能行业的发展提供技能支撑，助力AI产业的健康牢固发展。