VARCO-VISION-2.0 技术报告

我们介绍 VARCO-VISION-2.0，一种面向韩语和英语的开放权重双语视觉语言模型（VLM），其能力较前代模型 VARCO-VISION-14B 有所提升。该模型支持对文档、图表和表格等复杂输入的多图像理解，并通过同时预测文本内容及其空间位置提供布局感知 OCR。该模型采用四阶段课程训练并结合内存高效技术，实现了增强的多模态对齐，同时保留了核心语言能力并通过偏好优化提高了安全性。广泛的基准评估表明，该模型具有强大的空间定位能力，并在两种语言上均取得了具竞争力的结果，其中 14B 模型在 OpenCompass VLM 排行榜上同等规模模型中位列第 8。除 14B 规模的模型外，我们还发布了针对端侧部署优化的 1.7B 版本。我们相信这些模型推动了双语 VLM 的发展及其实际应用。VARCO-VISION-2.0 的两个变体可在 Hugging Face 上获取：全规模 14B 模型和轻量级 1.7B 模型。