TokenFD - 上海交大联合美团推出的细粒度图文对齐基础模型

TokenFD是什么

TokenFD是上海交通大学联合美团推出的细粒度图文对齐基础模型，主要用于文档理解任务。通过Token级对齐，实现了图像Token与语言Token在同一特征空间中的共享，支持Token级图文交互，在处理包含密集文字的图像时表现突出。为了训练该模型，团队构建了业内首个Token级图文数据集TokenIT，包含2000万张图像和18亿高质量的Token-Mask对，数据量远超现有模型。

TokenFD的主要功能

• 细粒度图文对齐：TokenFD实现了图像Token与语言Token在同一特征空间中的共享，支持Token级的图文交互。
• 提升多模态任务性能：TokenFD能显著提升多模态大模型在文档理解任务中的表现。例如，在文本分割任务中，Zero-Shot性能提升了18.78%；在文本理解任务中，Zero-Shot性能提升了1.48%；在文本检索任务中，Zero-Shot性能提升了50.33%。
• 基座适配与扩展：TokenFD可直接替换其他多模态大模型的基座，无需额外训练即可提升各项评估基准。基于TokenFD作为视觉基础模型，进一步推出了TokenVL，一种全新的多模态大模型图文对齐预训练范式。

TokenFD的技术原理

• BPE分词与像素级掩码标注：TokenFD首创了BPE分词+像素级掩码标注技术。具体而言，将文本分割为BPE子词（如“un-”、“-able”），将每个子词（token）精确对应到图像中的局部区域。使模型能更好地理解图像中的文字信息，支持“图像即文字”的语义映射。
• 数据集与模型训练：TokenFD依托自主研发的TokenIT数据集进行训练。数据集包含2000万张图像和18亿高质量的Token-Mask对，覆盖自然场景、文档、图表等多种文本图像类型。大规模的细粒度标注数据为模型提供了丰富的语义信息，在文档理解、文本分割等任务中表现出色。

TokenFD的项目地址

• 项目官网：https://token-family.github.io/project_page/
• Github仓库：https://github.com/Token-family/TokenFD
• HuggingFace模型库：https://huggingface.co/TongkunGuan/TokenFD
• arXiv技术论文：https://arxiv.org/pdf/2503.02304

TokenFD的应用场景

• 文档理解与处理：TokenFD可以更好地处理包含密集文字的文档图像，例如表格、公式和字符等复杂结构。
• 图像安全审查：TokenFD可以用于图像安全审查，通过细粒度的图文对齐，能更准确地检测图像中的违规内容，例如包含不当文字或符号的图像。
• 基于文字的图像检索：TokenFD突破了传统基于文字识别的图文检索方式，通过特征空间直接进行相似度匹配，支持任意文字输入进行图像内容查找。
• 知识检索增强的大模型：TokenFD可以用于增强知识检索能力，通过细粒度的图文对齐，帮助大模型更好地理解和生成与图像相关的文本内容。