Donut（基础尺寸模型，在 CORD 上进行微调）

在 CORD 上微调的 Donut 模型。该模型由 Geewok 等人在论文《OCR-free Document Understanding Transformer》（https://arxiv.org/abs/2111.15664）中提出，并首次在 this repository 发布。

免责声明：发布 Donut 的团队未为此模型撰写模型卡片，因此本模型卡片由 Hugging Face 团队编写。

模型描述

Donut 由视觉编码器（Swin Transformer）和文本解码器（BART）组成。给定一张图像，编码器首先将图像编码为嵌入张量（形状为 batch_size, seq_len, hidden_size），然后解码器在编码器编码结果的条件下自回归生成文本。

预期用途和局限性

此模型在 CORD（一个文档解析数据集）上进行了微调。

有关代码示例，我们建议参考 documentation。

CORD 数据集

CORD：用于 OCR 后解析的综合收据数据集。