/ Модель

Характеристики

Размер весов
10,3 ГБ
Лицензия
MIT
Архитектура
DIVEdoc · dense
Библиотека
transformers
Опубликована
16 июл 2025

DIVE-Doc-FRD

Генерация текстаТекст → текст7 профессий

DIVE-Doc-FRD отвечает на вопросы по изображениям отдельных страниц документов без отдельного этапа OCR.

90скачиваний за 30 дней0лайковвеса обновлены7 янв 2026

Бенчмарки

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

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

DIVE-Doc-FRD — визуально-языковая модель семейства DIVE-Doc, предназначенная для ответов на вопросы по изображениям документов. Она принимает изображение одной страницы и текстовый вопрос, затем генерирует ответ; для обработки не использует внешний OCR. Модель разработана как компромисс между компактными сквозными системами и крупными визуально-языковыми моделями: в ней небольшой иерархический визуальный энкодер Swin сочетается с крупным декодером GEMMA. Энкодер создан дистилляцией SigLIP-400m из PaliGEMMA и инициализирован весами Donut; LoRA-адаптеры после дообучения объединены с базовой моделью. По README, размер визуального энкодера уменьшен на 80%.

Модель обучалась на DocVQA, преимущественно на промышленных документах, и подходит для ответов на вопросы по отдельным страницам документов. Её можно дообучить на других наборах DocVQA, например InfoGraphVQA, для работы с инфографикой. В репозитории указаны формат safetensors и библиотека Transformers; лицензия — MIT. README не приводит языки, общий размер модели или длину контекста.

Сценарии применения

  • извлечение ответов из промышленных документов по изображению страницы
  • поиск значений и фактов в документах с помощью вопроса на естественном языке
  • визуальный анализ одностраничных документов без предварительного OCR
  • дообучение системы ответов на вопросы по инфографике

Ограничения

Модель рассчитана на вопросы по изображению одной страницы и обучалась преимущественно на промышленных документах, поэтому её качество на других типах документов и многостраничных сценариях может быть ограничено. Для инфографики README рекомендует дополнительное дообучение.

Для каких профессий подходит7

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

1 Introduction

DIVE-Doc is a VLM architecture built as a trade-off between end-to-end lightweight architectures and LVLMs for the DocVQA task. Without relying on external tools such as OCR, it processes the inputs in an end-to-end way. It takes an image document and a question as input and returns an answer.

2 Model Summary

DIVE-Doc is built as a trade-off between end-to-end lightweight architectures and LVLMs. Where the first category has both a lightweight visual encoder and a language decoder, and LVLMs have both a large visual encoder and a large decoder, DIVE-Doc contains a small visual encoder in combination with a large decoder in order to balance model size and performance. It is built by distilling the SigLIP-400m visual encoder of PaliGEMMA into a small hierarchical Swin transformer initialized with the weights of Donut, while reusing the original GEMMA decoder. This enables DIVE‑Doc to reduce its visual encoder’s parameter count by 80%. Moreover, the model is finetuned using LoRA adapters, which have been merged into the base model using merge_and_unload. Trained on the DocVQA dataset for both the distillation and finetuning steps, this strategy allows DIVE-Doc to be competitive with LVLMs while outperforming ligthweight architectures.

3 Quick Start

Direct Use

From Hugging Face Space

Click here

From the Transformers library

from transformers import AutoProcessor, AutoModelForCausalLM
from PIL import Image
import torch

processor = AutoProcessor.from_pretrained("JayRay5/DIVE-Doc-FRD", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("JayRay5/DIVE-Doc-FRD", trust_remote_code=True)

image = Image.open("your_image_document_path/image_document.png").convert("RGB")
question_example = "What the the name of the author"

inputs = (
            processor(text=question_example, images=image, return_tensors="pt", padding=True)
            .to(model.device)
            .to(model.dtype)
        )
input_length = inputs["input_ids"].shape[-1]

with torch.inference_mode():
        output_ids = model.generate(**inputs, max_new_tokens=100, do_sample=False)

generated_ids = output_ids[0][input_length:]
answer = processor.decode(generated_ids, skip_special_tokens=True)

print(answer)

From the GitHub repository

Installation
git clone https://github.com/JayRay5/DIVE-Doc.git
cd DIVE-Doc
conda create -n dive-doc-env python=3.11.5
conda activate dive-doc-env
pip install -r requirements.txt
Inference example using the model repository and gradio

In app.py, modify the path variable to "JayRay5/DIVE-Doc-FRD":

if __name__ == "__main__":
    path = "JayRay5/DIVE-Doc-FRD"
    app(path) 

Then run:

python app.py

This will start a gradio web interface where you can use the model.

Notification

Direct Use

This model is designed to answer a question from a single-page image document and is mostly trained on industrial documents DocVQA dataset.

Downstream Use

This model can be finetuned on other DocVQA datasets such as InfoGraphVQA to improve its performance on infographic documents.

Citation

BibTeX:

@inproceedings{Bencharef_2025_ICCV,
    author    = {Bencharef, Rayane and Rahiche, Abderrahmane and Cheriet, Mohamed},
    title     = {DIVE-Doc: Downscaling foundational Image Visual Encoder into hierarchical architecture for DocVQA},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops},
    month     = {October},
    year      = {2025},
    pages     = {7547-7556}
}

Contact

rayane.bencharef.1@ens.etsmtl.ca

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DIVEdoc
Ревизия весов
cb71bf4

0 моделей