モデル紹介
Kosmos-2.5 is a multimodal literate model for machine reading of text-intensive images. Pre-trained on large-scale text-intensive images, Kosmos-2.5 excels in two distinct yet cooperative transcription tasks: (1) generating spatially-aware text blocks, where each block of text is assigned its spatial coordinates within the image, and (2) producing structured text output that captures styles and structures into the markdown format. This unified multimodal literate capability is achieved through a shared decoder-only auto-regressive Transformer architecture, task-specific prompts, and flexible text representations. We evaluate Kosmos-2.5 on end-to-end document-level text recognition and image-to-markdown text generation. Furthermore, the model can be readily adapted for any text-intensive image understanding task with different prompts through supervised fine-tuning, making it a general-purpose tool for real-world applications involving text-rich images. This work also paves the way for the future scaling of multimodal large language models. Since this is a generative model, there is a risk of **hallucination** during the generation process, and it **CAN NOT** guarantee the accuracy of all OCR/Markdown results in the images.
主な特徴
特点摘要待依据来源补齐，不凭模型名称推断能力。
制約と注意点
具体的な制約を判断する出典が不足しています。実際の性能、遅延、データ方針、ライセンス、提供期間を確認してください。
出典別料金と費用分析
料金はチャネル・地域・設定によって異なります。各チャネルの料金は個別に表示し、提供元の統一公式料金とは見なしません。
| 出典・チャネル | 入力 | 出力 | 課金単位 | 収集日時 |
|---|---|---|---|---|
| 確認可能な料金がありません。出典を確認してください。 | ||||
月額の基本トークン費用を試算
試算はキャッシュ割引、段階料金、マルチモーダル追加料金、検索、税金、追加推論出力を含みません。
公開評価と実行設定
暂无已采集的可核验公开评分。模型未上榜不代表能力较低。
収録済みの全ランキング →よくある質問
オープンウェイトなら無料で商用利用できますか？
必ずしもそうではありません。バージョン別のライセンス、商用条件、利用方針を確認してください。自前運用には計算資源と保守費用も必要です。
これはリアルタイムの請求料金ですか？
収集日時付きの料金スナップショットです。最新のバージョン、地域、割引、課金方式は各チャネルで確認してください。
出典と追跡記録
许可证：mit。模型介绍与第三方评测均以原来源的具体版本和方法为准。