阅读理解任务能力同步提升：结构化&阅读理解，基于检索的知识库问答

支持长文档问答：通过Embedding模型将文档向量化成知识库，将问题向量与知识库向量匹配结果送入LLT；文档自监督预训练：增加Пext Token Prediction自监督任务，提升文本表征能力；指令微调：在不破坏LL原有特性的条件下引导模型基于上下文回答，提升信息提取准确率；低参数量微调：以较小的可训练参数优化模型，提高准确率并避免灾难性遗忘；引入布局特征:提升模型对无序输入的跨内容感知能力。

支持信息抽取、文本摘要，具备较强的理解能力，应用于腾讯云官网封闭式问答场景中，阅读理解准确率大幅提升。

从支持自然场景扩展至文档场景，Few-Shot Learning（ICL）在结构化等任务上表现优异

聚焦泛化场景的文字理解，支持开放问答:问题理解透彻，笞案流畅度高，支持ICL：根据少量几张图片及问答对示例，理解意图并做出正确预测，完成快速场景适配，具备归纳和理解能力。

DocLm会作为TI-OCR上的内置模型提供绐客户进行自定义业务下的训练精调，在压缩模型体量、节省训练成本、降低推理成本基础上，进一步提升特定场景下的OCR大模型指标。