OCR 多模態模型

深度分析

Falcon Perception 0.6B：早期融合 Transformer 開創開放詞彙視覺定位與分割新局

Falcon Perception 針對開放詞彙視覺定位提出早期融合 Transformer，使用混合注意力與 Chain‑of‑Perception 介面，同時處理影像與文字提示，於 SA‑Co 基準達 68.0 Macro‑F1，顯著超越 SAM 3，並提升 OCR、空間與關係推理能力，預示單塔結構在多模態感知的未來潛力。