本文介绍了DUBLIN、mPLUG-DocOwl和DocPedia等新型模型在文档图像理解中的应用。这些模型通过结合视觉和文本信息，在多个基准测试中表现优异，特别是在OCR-free文档理解方面，显著提升了性能和泛化能力。此外，研究提出了GRAM方法和DocLayLLM，解决了多页文档问答和文本丰富文档理解的挑战，展现了其在效率和效果上的优势。