/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
AGPL 3.0
Архитектура
qwen2_vl · dense
Опубликована
10 июн 2026

KDL-Frontier-Parser-nano

Изображение и текст → текст7 профессий

Компактная визуально-языковая модель KoreaDeep для распознавания текста, таблиц и макета документов в конвейере обработки изображений.

2 358скачиваний за 30 дней30лайковвеса обновлены29 июн 2026

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.

  • llamaindex/ParseBench

    score · выше — лучше

    Результат

    76,36

    text_content 87,19table 85,56layout 78,84
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

KDL-Frontier-Parser-nano — компактная модель разбора документов с открытыми весами, упакованная и настроенная компанией KoreaDeep. Это плотная визуально-языковая модель семейства Qwen2-VL с 1,2 млрд параметров; она принимает изображение документа и текстовый запрос, а в ответ выдаёт текстовую разметку или распознанное содержимое.

Модель предназначена для конвейера обработки документов: сначала определяют макет и вырезают области, затем вызывают модель отдельно для каждой области с запросом на распознавание текста, таблиц или макета. Для таблиц она формирует OTSL. По результатам ParseBench от 10 июня 2026 года, средний балл на полном наборе из 2553 примеров составил 76,48; в README также указано отсутствие сбоев инференса в этом прогоне.

Для обслуживания README приводит настройки vLLM с контекстом до 8192 токенов, одним изображением на запрос и отключённым режимом thinking. Модель опубликована по лицензии AGPL-3.0. Ее назначение специализировано на разборе документов; распознавание выполняется по областям в несколько вызовов, а преобразование результатов в форматы, отличные от OTSL для таблиц, оставлено вызывающему приложению.

Сценарии применения

  • распознавание текста на сканах документов
  • извлечение таблиц из изображений в формате OTSL
  • определение макета и областей документа
  • разбор содержимого отдельных областей документа

Ограничения

Модель рассчитана на поэтапный конвейер с выделением макета, обрезкой областей и отдельными вызовами; она не является парсером, который выполняет весь разбор одним вызовом. Для таблиц возвращается OTSL, а преобразование в другие форматы должен выполнять вызывающий код.

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

KDL-Frontier-Parser-nano

A 1.2B-parameter open-weight document parsing model, packaged and orchestrated by KoreaDeep as the nano tier of the KDL Frontier Parser family.

ParseBench results

Measured 2026-06-10 with the official ParseBench harness, full set, single end-to-end pass (2,553 test cases, 0 inference failures):

DimensionMetricScore
Overall (mean)mean of 5 dimensions76.48
Tablesgrits_trm_composite84.56
Visual Grounding / Layoutrule_pass_rate81.83
Content Faithfulnesscontent_faithfulness86.63
Semantic Formattingnormalized_text_score66.32
Chartschart_data_point63.08

Serving

vllm serve <this-repo> \
  --served-model-name kdl-frontier-parser-nano \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.85 \
  --max-num-seqs 24 \
  --trust-remote-code \
  --limit-mm-per-prompt '{"image":1}'

Usage

This model is not a single-shot end-to-end parser. It runs as a pipeline: detect layout, crop each region, then call the model again per region with a task-specific prompt.

Prompts

Each task uses a fixed prompt (note the leading newline):

TaskPrompt
Layout\nLayout Detection:
Text\nText Recognition:
Table\nTable Recognition:
Formula\nFormula Recognition:
Figure\nImage Analysis:

Table recognition returns OTSL. Other output formats are left to the caller.

Inference notes

  • Serve with --trust-remote-code and --limit-mm-per-prompt '{"image":1}' (one image per request).
  • Set enable_thinking=False in the chat template.
  • Pass skip_special_tokens=False when decoding.
  • Greedy decoding (temperature=0).

Feed page images, not PDFs. Chat UIs (e.g. open-webui) with free-form prompts will not work — use the prompts above.

Benchmark methodology

The ParseBench score is an end-to-end pipeline measurement — this model served via vLLM plus deterministic rule-based post-processing of model output — consistent with how all ParseBench providers are evaluated (every provider is a submitter-hosted endpoint). No other learned models, classifiers, or ensembles are involved: single model, single pass.

About

Built by KoreaDeep, a document-AI company. The larger KDL-Frontier-Parser-ultra is available through DEEP Agent.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
a6cb7d2

0 моделей