/ Модель

Характеристики

Контекст
131 072 токена
Параметры
318 млн
Лицензия
Apache 2.0
Архитектура
paddleocr_vl · dense
Базовая модель
paddle_ocr_ft
Опубликована
9 июл 2026

paddleOCR_vl_Khmer_finetuned

Генерация текстаТекст → текст7 профессий

Дообученная на WildKhmerST модель PaddleOCR-VL для распознавания кхмерского текста на изображениях и текстовых областях.

123скачиваний за 30 дней0лайковвеса обновлены9 июл 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 «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

Kimang18/paddleOCR_vl_Khmer_finetuned — модель Kimang18 для распознавания кхмерского текста на изображениях и текстовых областях. Она получена полным дообучением PaddlePaddle/PaddleOCR-VL на наборе WildKhmerST; примеры данных представляют собой пары изображения текстовой области и соответствующего текста. Архитектура — PaddleOCRVLForConditionalGeneration, размер — 318,2 млн параметров, формат весов — safetensors. Модель рассчитана на сценарии OCR и извлечения текста из изображений; метаданные также указывают поддержку генерации текста и диалоговый интерфейс.

Модель принимает изображения и выдаёт распознанный текст. В карточке заявлено использование Transformers на GPU NVIDIA. Контекстное окно составляет 131 072 токена. Лицензия — Apache-2.0.

Для Transformers версии 5.0.0 и новее в README отмечена возможная ошибка KeyError, связанная с неподдерживаемым типом RoPE "default" в PaddleOCR-VL.

Сценарии применения

  • распознавание кхмерских надписей на изображениях
  • извлечение текста из вырезанных областей документа
  • подготовка кхмерских текстовых данных для OCR-бенчмарков

Ограничения

README предупреждает о возможной ошибке KeyError при использовании Transformers версии 5.0.0 или новее из-за типа RoPE "default". Обучение и оценка описаны для набора WildKhmerST; результаты на других типах изображений и языках не приведены.

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

Objective

Fine-tune PaddlePaddle/PaddleOCR-VL on WildKhmerST.

For future benchmarking in Khmer OCR task, WildKhmerST is processed to contains pairs of 'text region image' and 'text'. The processed dataset is uploaded to huggingface platform here. There are 3 splits. train split is used to full fine-tune PaddlePaddle/PaddleOCR-VL. test split is used to evaluate the fine-tuned model.

Uploaded model

  • Developed by: Kimang18
  • License: apache-2.0
  • Finetuned from model : paddle_ocr_ft

This paddleocr_vl model was trained 2x faster with Unsloth

Usage

Inference using Huggingface transformers on NVIDIA GPUs.

Requirements tested on python 3.12.13, T4 GPU:

transformers<5.0.0
from PIL import Image
import torch
from transformers import AutoModelForCausalLM, AutoProcessor

# ---- Settings ----
model_path = "Kimang18/paddleOCR_vl_Khmer_finetuned"
image_path = "khmer_text_region.png"
# ------------------

DEVICE = "cuda" if torch.cuda.is_available() else "cpu"

image = Image.open(image_path).convert("RGB")

model = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True, dtype=torch.bfloat16
).to(DEVICE).eval()
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)

messages = [
    {"role": "user",         
     "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "OCR:"},
        ]
    }
]
inputs = processor.apply_chat_template(
    messages, 
    tokenize=True, 
    add_generation_prompt=True, 	
    return_dict=True,
    return_tensors="pt"
).to(DEVICE)

outputs = model.generate(**inputs, max_new_tokens=1024)
outputs = processor.batch_decode(outputs, skip_special_tokens=True)[0]
print(outputs)

NOTE: if you use transformers>=5.0.0, you will encounter KeyError from rope_init_fn=ROPE_INIT_FUNCTIONS[rope_type]. This is because PaddleOCR-VL uses rope_type="default" which is not supported anymore for transformers>=5.0.0.

See https://github.com/huggingface/transformers/blob/8aa70f783b8a2138b01ff421398f7196b360a810/src/transformers/modeling_rope_utils.py#L629

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
PaddleOCRVLForConditionalGeneration
Ревизия весов
db9d9dd

0 моделей