/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
10 апр 2025

Qari-OCR-v0.3-VL-2B-Instruct

Изображение и текст → текст7 профессий

QARI-OCR v0.3 — дообученная на базе Qwen2-VL модель для распознавания арабского текста на изображениях с сохранением структуры документов.

8 660скачиваний за 30 дней22лайкавеса обновлены10 июн 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

QARI-OCR v0.3 — специализированная мультимодальная модель NAMAA-Space для распознавания арабского текста на изображениях документов и сохранения их структуры. Она дообучена на основе Qwen2-VL-2B-Instruct; архитектура — Qwen2-VL, размер — 1,5 млрд параметров. Модель принимает изображения и текстовые запросы, а распознанный текст может сохранять структуру документа с помощью тегов HTML или Markdown.

Модель предназначена для OCR документов с заголовками, основным текстом и сложной версткой. В карточке отмечены поддержка огласовок и работа с 12 арабскими шрифтами, а также начальные возможности распознавания рукописного текста и устойчивость к изображениям низкого разрешения и ухудшенного качества. По данным README, CER составляет 0,300, WER — 0,485, BLEU — 0,545; для версии v0.2 указана более высокая точность распознавания обычного текста.

Модель обрабатывает арабский язык, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

  • распознавание арабского текста в сканах документов
  • извлечение текста с огласовками из изображений
  • преобразование арабских документов в HTML или Markdown
  • распознавание документов со сложной версткой и заголовками
  • извлечение арабского текста из изображений низкого разрешения
  • начальное распознавание арабского рукописного текста

Ограничения

По приведённым в README метрикам CER составляет 0,300, а WER — 0,485; карточка отмечает, что версия v0.2 точнее распознаёт обычный текст. Распознавание рукописного текста описано как начальная возможность.

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

QARI-OCR v0.3: Structural Arabic Document Understanding

Model Description

Key Features

  • 📐 Layout-Aware Recognition: Preserves document structure with HTML/Markdown tags
  • 🔤 Full Diacritics Support: Accurate recognition of tashkeel (Arabic diacritical marks)
  • 📝 Multi-Font Handling: Trained on 12 diverse Arabic fonts (14px-100px)
  • 🎯 Structure-First Design: Optimized for documents with headers, body text, and complex layouts
  • ⚡ Efficient Training: Only 11 hours on single GPU with 10k samples
  • 🖼️ Robust Performance: Handles low-resolution and degraded images

Model Performance

MetricScore
Character Error Rate (CER)0.300
Word Error Rate (WER)0.485
BLEU Score0.545
Training Time11 hours
CO₂ Emissions1.88 kg eq.

Comparative Strengths

While QARI v0.2 achieves better raw text accuracy (CER: 0.061), QARI v0.3 excels in:

  • ✅ HTML/Markdown structure preservation
  • ✅ Document layout understanding
  • ✅ Handwritten text recognition (initial capabilities)
  • ✅ 5x faster training than v0.2

How to Use

Try Qari - Google Colab

You can load this model using the transformers and qwen_vl_utils library:

!pip install transformers qwen_vl_utils accelerate>=0.26.0 PEFT -U
!pip install -U bitsandbytes
from PIL import Image
from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
import torch
import os
from qwen_vl_utils import process_vision_info



model_name = "NAMAA-Space/Qari-OCR-v0.3-VL-2B-Instruct"
model = Qwen2VLForConditionalGeneration.from_pretrained(
                model_name,
                torch_dtype="auto",
                device_map="auto"
            )
processor = AutoProcessor.from_pretrained(model_name)
max_tokens = 2000

prompt = "Below is the image of one page of a document, as well as some raw textual content that was previously extracted for it. Just return the plain text representation of this document as if you were reading it naturally. Do not hallucinate."
image.save("image.png")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": f"file://{src}"},
            {"type": "text", "text": prompt},
        ],
    }
]
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")
generated_ids = model.generate(**inputs, max_new_tokens=max_tokens)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
os.remove(src)
print(output_text)

Try the model on Google Colab, Notebook

Training Details

  • Base Model: Qwen2-VL-2B-Instruct
  • Training Data: 10,000 synthetic Arabic documents with HTML markup
  • Optimization: 4-bit LoRA adapters (rank=16)
  • Hardware: Single NVIDIA A6000 GPU (48GB)
  • Framework: Unsloth + Hugging Face TRL

BibTeX:

@article{wasfy2025qari,
  title={QARI-OCR: High-Fidelity Arabic Text Recognition through Multimodal Large Language Model Adaptation},
  author={Wasfy, Ahmed and Nacar, Omer and Elkhateb, Abdelakreem and Reda, Mahmoud and Elshehy, Omar and Ammar, Adel and Boulila, Wadii},
  journal={arXiv preprint arXiv:2506.02295},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
dabe11e

0 моделей