LayoutXLM — мультимодальная предобученная модель Microsoft для понимания многоязычных документов с визуально значимым содержимым. Это многоязычный вариант LayoutLMv2: модель объединяет текст, расположение элементов на странице и изображение документа. В репозитории указано 305,2 млн параметров и контекст до 514 токенов.

Модель предназначена для задач document AI, где смысл зависит от сочетания текста и его размещения на странице, включая работу с документами на разных языках. В экспериментах на наборе XFUND она превзошла прежние кросс-язычные предобученные модели. Карточка описывает предобученную основу, а не специализированную прикладную систему; конкретные downstream-задачи зависят от дообучения и используемой модели-головы.

Для весов указана лицензия CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение производных на тех же условиях с указанием авторства. Модель доступна в формате PyTorch.