# Rozumienie dokumentów, wykresów i zrzutów ekranu EN: **Document, chart and screenshot understanding** · id `docvision` · aliases: visual document understanding, VDU, OCR-free document understanding, chart question answering, chart QA, screen understanding, GUI understanding, rozumienie dokumentów bez OCR, analiza wykresów, rozumienie zrzutów ekranu Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Modele multimodalne](https://aiatlasgraph.com/t/multimodal.md) › [Modele wizja–język (opisywanie obrazów i pytania o nie)](https://aiatlasgraph.com/t/vlm.md) › Rozumienie dokumentów, wykresów i zrzutów ekranu ## Description - PL: Odczyt i interpretacja obrazów bogatych w tekst i układ przestrzenny — skanów, formularzy, faktur, wykresów, infografik i zrzutów ekranu. Część modeli działa bez osobnego etapu OCR, odpowiada na pytania lub wyciąga dane bezpośrednio z pikseli; te zdolności wykorzystuje się również w analizie interfejsów. - EN: Reading and interpreting images rich in text and spatial layout — scans, forms, invoices, charts, infographics and screenshots. Some models work without a separate OCR stage, answer questions or extract data directly from pixels; these capabilities are also used for interface analysis. ## In one sentence - PL: To odczytywanie informacji ze skanów dokumentów, wykresów i ekranów z uwzględnieniem układu strony. - EN: This reads information from scanned documents, charts and screens while accounting for page layout. ## Problem it solves - PL: Informacje na skanach i wykresach trudno wykorzystać, gdy program nie odróżnia tabel, podpisów i wartości. - EN: Information in scans and charts is hard to use when software cannot distinguish tables, captions and values. ## What it does - PL: Łączy cechy obrazu i tekstu, żeby wiązać wartości z nagłówkami, podpisami i ich położeniem na stronie. - EN: It combines image and text features to connect values with headings, captions and their positions on the page. ## Everyday example - PL: Robisz zdjęcie paragonu w aplikacji do wydatków, a ona sama wpisuje sklep, datę i kwotę oraz przypisuje kategorię. - EN: You snap a receipt in a budgeting app, and it fills in the shop, date and amount and picks a category. ## This concerns you if you… - PL: masz dokumenty w formie skanów lub zdjęć - PL: chcesz zadawać pytania o wykresy i raporty - PL: korzystasz z asystenta obsługującego ekran programu - EN: have documents as scans or photos - EN: want to ask questions about charts and reports - EN: use an assistant that operates software through its screen ## Keywords Donut · Pix2Struct · ChartQA · DocVQA · OCR-free document parsing · layout understanding ## How it works - PL: Cechy obrazu, tekstu i układu wiążą fragmenty dokumentu z ich położeniem oraz strukturą. Model odczytuje regiony lub generuje odpowiedź, łącząc etykiety, wartości i relacje w tabelach albo wykresach. - EN: Image, text and layout features connect document passages to positions and structure. The model reads regions or generates answers, linking labels, values and relationships within tables or charts. ## Limits - PL: Małe znaki, złożone tabele i nietypowy układ powodują błędy odczytu. Wiarygodna wartość może być zgadywana z kontekstu; dokładne dane wymagają sprawdzenia z obrazem. - EN: Small characters, complex tables and unusual layouts cause reading errors. Plausible values may be guessed from context; exact data requires comparison with images. ## Key terms - PL: **layout**: Przestrzenna organizacja tekstu, tabel i elementów dokumentu. - PL: **document parsing**: Odtwarzanie elementów i relacji strukturalnych dokumentu z jego reprezentacji. - EN: **layout**: The spatial organisation of text, tables and document elements. - EN: **document parsing**: Recovering document elements and structural relationships from its representation. ## Know first - [Wydobywanie informacji z tekstu (nazwy własne, relacje) (Information extraction (named entities and relations))](https://aiatlasgraph.com/t/infoextraction.md) - [Modele bazowe dla obrazu (Vision backbones and foundation models)](https://aiatlasgraph.com/t/visionbackbones.md) ## Examples - PL: rozumienie dokumentów bez osobnego OCR · ChartQA · analiza zrzutów ekranu · Donut · Pix2Struct - EN: document understanding without separate OCR · ChartQA · screenshot analysis · Donut · Pix2Struct ## Related topics Untyped, symmetric "see also" links. - [Agenci przy komputerze (Computer and browser use)](https://aiatlasgraph.com/t/computeruse.md) - [Analiza układu i parsowanie dokumentów (Document layout analysis and parsing)](https://aiatlasgraph.com/t/layoutanalysis.md) - [Przetwarzanie dokumentów (Document AI)](https://aiatlasgraph.com/t/docai.md) - [Rozpoznawanie tekstu na obrazach (OCR) (Optical character recognition (OCR))](https://aiatlasgraph.com/t/ocr.md) ## Sources - [Vision Language Models (Better, faster, stronger)]() `hf-vlms-2025` · by Merve Noyan, Sergio Paniego, Aritra Roy Gosthipaty, Pedro Cuenca, Andres Marafioti (Hugging Face) - [OCR-free Document Understanding Transformer (Donut)]() `donut-2021` · by Geewook Kim, Teakgyu Hong, Moonbin Yim, Jeongyeon Nam, Jinyoung Park, Jinyeong Yim, Wonseok Hwang, Sangdoo Yun, Dongyoon Han, Seunghyun Park (NAVER CLOVA) - [Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding]() `pix2struct-2022` · by Kenton Lee, Mandar Joshi, Iulia Turc, Hexiang Hu, Fangyu Liu, Julian Eisenschlos, Urvashi Khandelwal, Peter Shaw, Ming-Wei Chang, Kristina Toutanova - [ChartQA: A Benchmark for Question Answering about Charts with Visual and Logical Reasoning]() `chartqa-2022` · by Ahmed Masry, Do Xuan Long, Jia Qing Tan, Shafiq Joty, Enamul Hoque --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/docvision · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30