donut

Donut 是一个无需OCR的端到端文档理解Transformer模型，直接从文档图像生成结构化文本（如JSON格式的键值对或表单内容），支持文档分类、信息抽取等任务。其核心技术特点包括：纯视觉-语言联合建模、无需依赖外部OCR引擎、支持多语言与多领域适配（通过配套合成数据生成工具SynthDoG预训练）。适用于发票、收据、表格、合同等结构化文档的自动化解析场景，尤其适合OCR精度低、版式复杂或需隐私保护（避免OCR中间文本泄露）的应用环境。