/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Библиотека
transformers
Опубликована
19 мая 2025

Dolphin

Изображение и текст → текст9 профессий

Производная модели ByteDance/Dolphin-1.5. Мультимодальная модель для анализа структуры страниц документов и извлечения текста, таблиц, формул и других элементов из изображений.

504скачиваний за 30 дней519лайковвеса обновлены16 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • PaddlePaddle/Real5-OmniDocBench

    score · выше — лучше

    Результат

    61,78

    scanning 72,16illumination 67,29screen_photography 64,29
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели ByteDance/Dolphin на Hugging Face совпадает с карточкой ByteDance/Dolphin-1.5, поэтому описание составлено по ней.

Dolphin (Document Image Parsing via Heterogeneous Anchor Prompting) — мультимодальная модель для разбора изображений документов, построенная по схеме «сначала анализ, затем разбор». На первом этапе она определяет структуру страницы и порядок чтения, а на втором параллельно извлекает содержимое отдельных элементов: текста, иллюстраций, формул и таблиц.

Модель использует архитектуру vision-encoder-decoder: визуальный энкодер основан на Swin Transformer, а текстовый декодер — на mBART. Задачи разбора можно задавать текстовыми промптами. Карточка описывает её как лёгкую модель с эффективным параллельным разбором, предназначенную для анализа структуры и содержимого страниц документов. В метаданных указаны английский и китайский языки, библиотека Transformers и лицензия MIT. Размер модели и длина контекста не приведены в доступных источниках.

Сценарии применения

  • извлечение текста и структуры из сканов документов
  • определение порядка чтения элементов на странице
  • разбор таблиц в изображениях документов
  • извлечение формул со страниц документов
  • анализ расположения текста, иллюстраций и других элементов документа

Ограничения

В README указано, что демонстрационная версия ещё готовится; инструкции по её использованию пока не приведены. Результаты описаны как перспективные, но количественные оценки качества и сведения о размере модели отсутствуют.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting

Model Description

Dolphin (Document Image Parsing via Heterogeneous Anchor Prompting) is a novel multimodal document image parsing model that follows an analyze-then-parse paradigm. It addresses the challenges of complex document understanding through a two-stage approach designed to handle intertwined elements such as text paragraphs, figures, formulas, and tables.

📑 Overview

Document image parsing is challenging due to its complexly intertwined elements such as text paragraphs, figures, formulas, and tables. Dolphin addresses these challenges through a two-stage approach:

  1. 🔍 Stage 1: Comprehensive page-level layout analysis by generating element sequence in natural reading order
  2. 🧩 Stage 2: Efficient parallel parsing of document elements using heterogeneous anchors and task-specific prompts

Dolphin achieves promising performance across diverse page-level and element-level parsing tasks while ensuring superior efficiency through its lightweight architecture and parallel parsing mechanism.

Model Architecture

Dolphin is built on a vision-encoder-decoder architecture using transformers:

  • Vision Encoder: Based on Swin Transformer for extracting visual features from document images
  • Text Decoder: Based on MBart for decoding text from visual features
  • Prompt-based interface: Uses natural language prompts to control parsing tasks

The model is implemented as a Hugging Face VisionEncoderDecoderModel for easy integration with the Transformers ecosystem.

Usage

Our demo will be released in these days. Please keep tuned! 🔥

Please refer to our GitHub repository for detailed usage.

License

This model is released under the MIT License.

Citation

@inproceedings{dolphin2025,
  title={Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting},
  author={Feng, Hao and Wei, Shu and Fei, Xiang and Shi, Wei and Han, Yingdong and Liao, Lei and Lu, Jinghui and Wu, Binghong and Liu, Qi and Lin, Chunhui and Tang, Jingqun and Liu, Hao and Huang, Can},
  year={2025},
  booktitle={Proceedings of the 65rd Annual Meeting of the Association for Computational Linguistics (ACL)}
}

Acknowledgements

This model builds on several open-source projects including:

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
0ff4b22

0 моделей