模型架构
模型整体架构与mBART类似，遵循vision-encoder-decoder架构，这点和之前字节开源的dolphin架构类似。
视觉编码器：ViT-H模型（https://huggingface.co/nvidia/C-RADIO） 适配层：一维卷积和归一化，以压缩潜在空间的维度和序列长度（13184个token到3201个token） 解码器：mBart [1] 10个块 分词器：使用此模型中包含的分词器受CC-BY-4.0许可证的约束 参数数量：< 1B
功能
版式分析识别的标签：标题、节、图例、索引、脚注、列表、表格、参考文献、图像
权重（已支持vllm推理）：https://huggingface.co/nvidia/NVIDIA-Nemotron-Parse-v1.1