随着视觉与语言的深度融合，文本图像理解成为多模态领域的新方向。KOSMOS-2.5 是一个突破性的多模态模型，采用统一的 Transformer 框架，实现文本图像的端到端理解。该模型在多个文本密集图像任务上展现出卓越表现，包括文档文本识别和 Markdown 生成。KOSMOS-2.5 的目标是进一步提升对文本图像的解释生成能力，将其应用于更多实际场景。通过多任务联合训练，KOSMOS-2.5 的多模态理解力得到了增强。