/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,6 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5VL
Библиотека
transformers
Опубликована
1 мар 2026

Baseer__Nakba

Изображение и текст → текст3 профессии

Модель Misraj AI распознаёт рукописный арабский текст на изображениях исторических документов.

478скачиваний за 30 дней7лайковвеса обновлены18 авг 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 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

Misraj AI разработала Baseer__Nakba — мультимодальную модель на архитектуре Qwen2.5-VL с 3,1 млрд параметров, предназначенную для распознавания рукописного арабского текста на исторических документах. Модель принимает изображения и формирует текст; её обучали для соревнования Nakba NLP 2026, где она заняла первое место на закрытом тестовом наборе.

Обучение включало последовательную настройку декодера и всей модели на данных Muharaf и Nakba, а также слияние контрольных точек SLERP. Модель рассчитана на связное курсивное письмо, различия почерков и ухудшение качества старых документов. Контекст составляет до 128 000 токенов. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

Сценарии применения

  • распознавание арабского текста на исторических рукописях
  • оцифровка курсивных арабских документов
  • извлечение текста из изображений документов Nakba
  • транскрибирование рукописей с выцветшей или повреждённой страницей

Ограничения

Модель ориентирована на арабские исторические рукописи и визуально похожие документы; качество на других языках и типах изображений не описано. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Baseer-Nakba HTR: A State-of-the-Art VLM for Arabic Handwritten Text Recognition

Overview

This repository contains the model weights and inference pipeline for our submission to the NAKBA NLP 2026 Arabic Handwritten Text Recognition (HTR) competition.

Our approach adapts the 3B-parameter Baseer Vision-Language Model (VLM) to effectively parse and recognize highly cursive, historical Arabic manuscripts. Through a progressive training pipeline, domain-matched data augmentation, and advanced checkpoint merging, this unified model mitigates the challenges of varying writer styles, age-related document degradation, and morphological complexity.

To try our Baseer model for document extraction, please visit: Baseer — Baseer is the SOTA model on Arabic Document Extraction.


🏆 Competition Results

Our final model (Misraj AI) secured 1st place on the official Nakba hidden test set leaderboard.

RankTeamCERWER
🥇 1stMisraj AI0.07900.2440
🥈 2ndOblevit0.09250.3268
🥉 3rd3reeq0.09380.2996
4thLatent Narratives0.10500.3106
5thAl-Warraq0.11420.3780
6thNot Gemma0.12170.3063
7thNAMAA-Qari0.19500.5194
8thFahras0.22690.5223
—Baseline0.36830.6905

Training Methodology

Our model was trained using a multi-stage Supervised Fine-Tuning (SFT) curriculum.

  1. Data Augmentation: The Muharaf enhancement dataset was converted to grayscale to match the visual complexity and tonal distribution of the Nakba competition data.
  2. Decoder-Only SFT: We first trained the text decoder autoregressively on the structurally similar Muharaf dataset to condition the language modeling head.
  3. Full Encoder-Decoder Tuning: We subsequently unfroze the vision encoder and trained the full architecture on the Nakba dataset using differential learning rates — a key step that yielded a >5% improvement in WER over decoder-only tuning.
  4. Checkpoint Merging: To stabilize predictions and maximize generalization, we merged our top-performing checkpoints (Epoch 1 and Epoch 5) using SLERP interpolation.

Training Hyperparameters

All supervised experiments were conducted with standardized hyperparameters across configurations.

ParameterValue
Hardware2× NVIDIA H100 GPUs
Base Model3B-parameter Baseer
Epochs5
OptimizerAdamW
Weight Decay0.01
Learning Rate ScheduleCosine
Batch Size128
Max Sequence Length1200 tokens
Input Image Resolution644 × 644 pixels
Decoder-Only Learning Rate1e-4
Encoder Learning Rate9e-6
Decoder Learning Rate (Full Tuning)1e-4

Image Examples

The model works reliably on images from the Nakba dataset and visually similar historical manuscripts.

image (1) image (2) image (3)


Merge Method

This model was merged using the SLERP merge method.

Models Merged

  • Baseer_Nakba_ep_1
  • Baseer_Nakba_ep_5

Configuration

merge_method: slerp
base_model: Baseer_Nakba_ep_1
models:
  - model: Baseer_Nakba_ep_1
  - model: Baseer_Nakba_ep_5
parameters:
  t:
    - value: 0.50
dtype: bfloat16

Citation

If you use this model or find our work helpful, please consider citing our paper:

@inproceedings{misrajai2026nakba,
  title     = {Adapting Vision-Language Models for Historical Arabic Handwritten Text Recognition},
  author    = {Misraj AI},
  booktitle = {Nakba OCR Competition, NLP 2026},
  year      = {2026}
}

Links

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
0461bb3

0 моделей