Florence-2 微調教程：Microsoft 視覺語言模型的 DocVQA 實作

Hugging Face Blog 示範以 DocVQA 微調 Microsoft 的 Florence-2，使其適配視覺問答任務。訓練 7 個 epochs 後，驗證集 Levenshtein 相似度由 0 升至 57.0。文中提供凍結視覺編碼器、batch size 6 的低資源方案，並記錄以 8 張 H100、batch size 64 微調全模型需時 70 分鐘。