/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
1 дек 2025

Dolphin-v2

Изображение и текст → текст10 профессий

Мультимодальная модель ByteDance для распознавания и структурированного разбора цифровых документов и фотографий страниц.

2 165скачиваний за 30 дней115лайковвеса обновлены12 дек 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 оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Dolphin-v2 — модель для разбора документов, разработанная ByteDance. Она обрабатывает цифровые документы и фотографии страниц и выдаёт структурированное представление содержимого. Модель построена на архитектуре Qwen2.5-VL-3B с визуальным энкодером NaViT и авторегрессионным декодером; размер составляет 3,1 млрд параметров, контекст — до 128 000 токенов.

Модель сначала классифицирует тип документа и анализирует его структуру, затем извлекает содержимое с учётом типа страницы и элемента. Она поддерживает распознавание текста, анализ макета и порядка чтения, извлечение таблиц, формул и кода; для фотографий использует разбор всей страницы, а для цифровых документов — параллельную обработку элементов. В README сообщается о результатах на OmniDocBench v1.5, но они не гарантируют качество на любых документах.

Модель принимает изображения документов и текстовые запросы, а выдаёт текстовое структурированное представление. Карточка указывает поддержку китайского и английского языков. Лицензия в предоставленных данных не указана.

Сценарии применения

  • распознавание текста на сканах и фотографиях документов
  • анализ макета страницы и порядка чтения
  • извлечение таблиц с сохранением структуры
  • распознавание математических формул с преобразованием в LaTeX
  • извлечение блоков кода с сохранением отступов
  • преобразование содержимого документов в структурированное представление

Ограничения

Заявленные показатели основаны на OmniDocBench v1.5 и могут не отражать качество на других типах документов. Лицензия и подробные ограничения применения не указаны в предоставленных данных.

Для каких профессий подходит10

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-v2: Universal Document Parsing via Scalable Anchor Prompting

Model Description

Dolphin-v2 is an enhanced universal document parsing model that substantially improves upon the original Dolphin. It seamlessly handles any document type—whether digital-born or photographed—through a document-type-aware two-stage architecture with scalable anchor prompting.

📑 Key Improvements

Dolphin-v2 introduces several major enhancements over the original Dolphin:

  • 🌐 Universal Document Support: Handles both digital-born and photographed documents with realistic distortions
  • 📊 Expanded Element Coverage: Supports 21 element categories (up from 14), including dedicated code blocks and formulas
  • 🎯 Enhanced Precision: Uses absolute pixel coordinates for more accurate spatial localization
  • ⚡ Hybrid Parsing Strategy: Element-wise parallel parsing for digital documents + holistic parsing for photographed documents
  • 🔬 Specialized Modules: Dedicated parsing for code blocks with indentation preservation

🏗️ Model Architecture

Dolphin-v2 follows a document-type-aware two-stage paradigm:

Stage 1: Joint Classification and Layout Analysis

  • Document Type Classification: Distinguishes between digital-born and photographed documents
  • Layout Analysis: Generates element sequences in reading order with 21 supported categories

Stage 2: Hybrid Content Parsing

  • Photographed Documents: Holistic page-level parsing to handle distortions
  • Digital Documents: Efficient element-wise parallel parsing with type-specific prompts
    • P_formula: Specialized LaTeX generation for formulas
    • P_code: Code block parsing with indentation preservation
    • P_table: HTML representation for tables
    • P_paragraph: Text recognition for paragraphs

Built on Qwen2.5-VL-3B backbone with:

  • Vision encoder based on Native Resolution Vision Transformer (NaViT)
  • Autoregressive decoder for structured output generation

📈 Performance

Dolphin-v2 achieves superior performance on comprehensive benchmarks: OmniDocBench (v1.5):

  • Overall Score: 89.45 (+14.78 over original Dolphin)
  • Text Recognition: 0.054 Edit Distance
  • Formula Parsing: 86.72 CDM
  • Table Structure: 87.02 TEDS / 90.48 TEDS-S
  • Reading Order: 0.054 Edit Distance

🎯 Supported Element Types

Dolphin-v2 supports 21 document element categories:

Element TypeDescription
sec_0 - sec_5Hierarchical headings (title, level 1-5)
paraRegular paragraphs
half_paraSpanning paragraphs
equMathematical formulas (LaTeX)
tabTables (HTML)
codeCode blocks (with indentation)
figFigures
capCaptions
listLists
catalogueCatalogs
referenceReferences
header / footHeaders/Footers
fnoteFootnotes
watermarkWatermarks
annoAnnotations

📚 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},
  booktitle={Proceedings of the 65th Annual Meeting of the Association for Computational Linguistics (ACL)},
  year={2025}
}

🙏 Acknowledgements

This model builds upon:

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
c37c627

0 моделей