微调 Florence-2：微软的前沿视觉语言模型

微软 6 月发布的 Florence-2 视觉语言模型提供 0.2B 和 0.7B 两个小尺寸版本，支持 captioning、目标检测、OCR 等任务，但官方模型不含 VQA 能力。作者在 DocVQA 上微调后，验证集 Levenshtein 相似度从 0 提升至 57.0，并开源了 Colab notebook 与演示 Space。