Mô hình nhận dạng văn bản từ hình ảnh CATI-VLM của CMC xếp hạng TOP 12 thế giới

Mới đây, Viện Ứng dụng Công nghệ CMC (CMC ATI) đã công bố mô hình CATI-VLM (Visual Document Understanding) do đội ngũ nghiên cứu phát triển từ kho dữ liệu lớn 5TB, đạt Top12 thế giới và Top1 Việt Nam trong bảng xếp hạng vừa được Robust Reading Competition (RRC) công bố tháng 6/2025 tại hạng mục Document Visual Question Answering (DocVQA).

Bảng xếp hạng của RRC trong hạng mục DocVQA 6/2025

Robust Reading Competition (RRC) là một sân chơi khoa học uy tín, (https://rrc.cvc.uab.es/) được tổ chức bởi Trung tâm Thị giác Máy tính (CVC) thuộc Đại học Autònoma de Barcelona (UAB) Tây Ban Nha, một cơ sở nghiên cứu có uy tín của thế giới trong lĩnh vực thị giác máy tính. Khởi xướng từ 2011, luôn đồng hành cùng Hội nghị Quốc tế về Phân tích và nhận dạng văn bản ICDAR– một trong những diễn đàn lớn nhất thế giới về phân tích tài liệu và thị giác máy tính, cuộc thi đã trở thành một sự kiện quan trọng, thu hút các nhà nghiên cứu, kỹ sư từ các trường đại học, viện nghiên cứu và công ty công nghệ uy tín như Đại học Tsinghua, Hyundai Motor Group, và Tencent… Các nhiệm vụ của RRC được thiết kế để thúc đẩy tiến bộ công nghệ, gắn chặt với bài toán thực tiễn từ dịch thuật, quản trị dữ liệu doanh nghiệp đến phân tích đô thị và xử lý tài liệu lịch sử.

TS. Đặng Minh Tuấn, Viện trưởng CMC ATI chia sẻ: "Chúng tôi rất vui mừng khi năng lực nghiên cứu của đội ngũ CMC được khẳng định qua một sân chơi uy tín toàn cầu như RRC. Tự hào là chỉ trong thời gian ngắn, team có thể đạt thứ hạng cao, sánh vai các tên tuổi lớn từ các quốc gia phát triển. Quan trọng hơn, đây là minh chứng rõ ràng cho khả năng làm chủ công nghệ để giải quyết các bài toán đặc thù của tiếng Việt và các lĩnh vực chuyên ngành tại Việt Nam."

CATI-VLM khác biệt so với OCR truyền thống ở chỗ không chỉ trích xuất ký tự, mà còn hiểu nhiều lớp thông tin: nội dung văn bản, yếu tố phi văn bản (ô tick, checkbox, biểu đồ, chữ ký, công thức), bố cục (cấu trúc trang, bảng biểu, form mẫu) và phong cách (font chữ, phần highlight…). Mô hình có thể trả lời câu hỏi trực quan đặt ra trên hình ảnh tài liệu, tương tự ChatGPT, mà không cần học trước từng form cụ thể.

Mẫu đơn tuyển sinh Đại học KTQS

Văn bản đã được nhận dạng từ chữ viết tay ở Hình 2

Đáng chú ý, trên bảng xếp hạng RRC, CATI-VLM chỉ với 3 tỷ tham số nhưng đạt độ chính xác cao nhất ở 4/7 bộ dữ liệu, vượt trội nhiều mô hình Big Tech như Deepseek (27 tỷ tham số), GPT-4 Vision Turbo + Amazon Textract OCR (Top34) hay Baidu (Top22). Thành tích này cho thấy năng lực tối ưu hoá mô hình, cân đối giữa hiệu suất tính toán và độ chính xác – minh chứng đội ngũ kỹ sư CMC không chạy đua tham số vô nghĩa mà tập trung làm chủ lõi công nghệ, vận hành hiệu quả trên hạ tầng phù hợp Việt Nam.

Ông Nguyễn Trung Chính, Chủ tịch HĐQT/Chủ tịch Điều hành Tập đoàn Công nghệ CMC nhấn mạnh: "Thành tích này là quả ngọt từ hơn 10 năm kiên định đầu tư R&D của Tập đoàn Công nghệ CMC, khẳng định chiến lược làm chủ Công nghệ Việt, gắn với định hướng Chuyển đổi AI, Go Global. Chúng tôi tin trí tuệ Việt Nam hoàn toàn đủ năng lực sánh vai Big Tech toàn cầu, tạo vị thế xứng đáng trên bản đồ công nghệ thế giới."

CATI-VLM sẽ được ứng dụng trong chuỗi sản phẩm thuộc hệ sinh thái C.OpenAI, gồm: Trợ lý ảo CLS rà soát văn bản pháp luật, CMC SmartDoc – nền tảng chuyển đổi số tài liệu, Hệ quản trị tri thức CMC KMS, hệ thống báo cáo tự động cho văn phòng thông minh và các ứng dụng Agentic Documents thế hệ mới.