多模态文档解析方法、装置、电子设备及存储介质

本申请涉及多模态文档解析技术领域，揭示了一种多模态文档解析方法、装置、电子设备及存储介质，其中，方法包括：通过第三方库模块自动识别并提取文档中的图片元素，结合图片位置生成占位符，再利用多模态大模型进行语义理解与文本生成，使视觉内容转化为可结构化的信息文本。本发明的有益效果：通过引入多模态大语言模型，实现了对文本、图片、表格、流程图等多模态信息的统一解析，不仅保留了文档的版面语义与逻辑结构，还实现了图文内容的融合解析，显著提升了文档解析的完整性与智能化水平，与传统单模态方法相比，本发明能对多模态内容的统一理解与结构化表达，输出更丰富、更精确的结构化结果。