我要投稿

Kosmos-2.5的真正实力测评

发布日期：2024-07-23 07:32:44 浏览次数： 2676

Kosmos-2.5在端到端的整篇文档图像的识别带来了新的高度，下面来测试下能力具体情况，Kosmos-2.5支持两种任务：text spotting(行级别的定位和文本识别)，以及直接输出为markdown。实际应用时主要是以输出markdown格式居多，所以这里仅测试转markdown能力，这时的prompt输入是<md>。因为它只支持英文，所以这里的测试图片只是英文论文。

单栏不带表格公式

输入图片：

下面是将识别结果转为markdown后的渲染成图片结果：

可以看到，单栏无公式无表格时候，识别结果完全正确，而且原图中的文本格式也都正确输出了，包括标题、文本加粗、列表项目编号。

单栏带表格公式

输入图片：

下面是将识别结果转为markdown后的渲染成图片结果：

这里有两个问题：

表格的识别结果中对于需要合并单元格的情况没有做合并，可能还是因为使用markdown表示的表格太简单了，处理不了合并单元格的情况。
公式的识别文本没能正确渲染出来，识别文本如下：
```
\[\textit{NED}=1-\frac{1}{N}\sum_{i=1}^{N}D\left(s_{i},\hat{
```

不知道为何是用\[和\]表示的公式，如果将\[和\]替换为$，仍然会提示\len不对，再将\len改为\text{len}后，可以得到正确渲染的公式识别结果。所以这里也能看出Kosmos-2.5的公式识别能力存在问题，如果文档里有公式出现时，不建议使用。

双栏不带表格公式

输入图片：

下面是将识别结果转为markdown后的渲染成图片结果：

可以看到对于双栏，可以做到按阅读顺序输出，而且还能正确将原文里的文本格式（如斜体、黑体、标题、列表等）直接转换成markdown里的表示，从而正确渲染出来。

单栏带表格

输入图片：

将识别结果转为markdown后的渲染成图片保存如下：

可以看到表格识别结构全乱了，因为将markdown转为图片后产生了截断，导致图片中的表格没有显示全，这也说明对于复杂的表格kosmos-2.5效果不佳。这个图片里表格里文字出现了竖排，对于当前的这些VLM模型来说确实比较难。

点评

所以基本可以得出结论：

无表格无公式的单栏双栏文档都是没有问题的，可以端到端输出为markdown结果，尤其是它的输出保留了阅读顺序以及字体样式的能力令人称赞；
有公式的文档就不用考虑了；
有表格的文档需要衡量是否会有复杂的表格，如果表格都是N行M列也没有问题。
Kosmos-2.5最大支持4096个token，从上面的测试可以看到覆盖了常见文档单页字符数量，即使是双栏全文本图片，也能全部输出；
遗憾的是仅支持英文，不支持中文，而且训练该模型的数据也没有开源。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-03-27

Tair 短期记忆架构实践：淘宝闪购 AI Agent 的秒级响应记忆系统

2026-03-27

林俊旸离职后首次发声！复盘千问的弯路，指出AI的新路

2026-03-26

GitHub 悄悄改了规则，你的代码可能正在被拿去训练 AI

2026-03-26

Harness is the New Dataset：模型智能提升的下一个关键方向

2026-03-26

Google 亲手证明：GUI 已死，但尸体还在动

2026-03-26

Claude Code 太烧钱了？我用这 5 招，把 token 成本砍了一半！

2026-03-26

治愈 Cursor AI 编程的 “幻觉”？用它就够了！

2026-03-26

Anthropic官方复盘Claude Code：智能体系统设计的四个核心

联系获取

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Pencil：设计和写代码，以后就全让AI干了

2026-01-24

独家实录｜唐杰、杨植麟、林俊旸、姚顺雨...All Star 对话上，大家聊了啥？

2026-01-10

2026 开年 AI 工具推荐，让你新的一年效率起飞！（建议收藏）

2026-01-01

从0到1玩转Clawdbot：我花了40小时，把这些坑都踩完了

2026-01-26

终于！Gemini CLI支持Agent Skills，一键搬运Claude Code的“绝招”

2026-01-09

Claude Code Skills 国内实践全指南：从安装部署到高阶开发

2026-01-09

深度解析——为什么Claude code CEO Dario 如此反中？

2026-01-23

不会封号的Claude Code使用方法！已稳定测试一个月，还能共享给团队。

2026-01-14

谷歌没想到：Antigravity 竟成了 Claude Code 的“免费充电宝”？

2025-12-30

我装了 9 个 Skill，终于看懂了 Google Antigravity 的野心

2026-01-21

大家都在问

OpenAI不会干黄了吧？

2026-03-22

专访OpenAI首席科学家：我们离“AI自己做研究”有多远？

2026-03-22

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

真实测评MiniMax M2.7，不吹不夸，它到底什么水平？

2026-03-20

深度分析：Agent Harness/框架到底有没有竞争壁垒？

2026-03-19

咨询 | OpenAI、Anthropic纷纷和咨询公司合作的背后，折射除了行业落地AI什么样的趋势？

2026-03-19

大伙都在养虾，MiniMax 带着新模型来偷偷上分了？

2026-03-19

Harness Engineering 为什么是 Agent 时代的“控制论”？

2026-03-18

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS Skill 提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean Openclaw

应聘简历请发送至： ceo@53ai.com

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部