/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
CC BY-NC 4.0
Архитектура
llava_onevision · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
8 июл 2025

VARCO-VISION-2.0-1.7B-OCR

Изображение и текст → текст7 профессий

Компактная мультимодальная модель NCSOFT распознаёт корейский и английский текст на изображениях и возвращает координаты рамок для каждого символа.

901скачиваний за 30 дней29лайковвеса обновлены15 сен 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

VARCO-VISION-2.0-1.7B-OCR — компактная модель распознавания текста на изображениях от NCSOFT. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP 2 SO400M с языковой моделью Qwen3-1.7B. Модель распознаёт корейский и английский текст, включая документы со смешанными письменностями.

В отличие от распознавания, которое возвращает только текст, модель также определяет положение каждого символа и выдаёт его координаты в ограничивающей рамке. Она предназначена для структурированного OCR в реальных сценариях, в том числе для приложений с ограниченными вычислительными ресурсами и обработки в реальном времени. В README приведены результаты на наборах CORD, ICDAR2013 и ICDAR2015; показатели различаются по бенчмаркам.

Для изображений меньше рекомендуемого размера авторы советуют увеличить длинную сторону как минимум до 2304 пикселей. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • извлечение текста и координат символов из документов
  • распознавание корейского текста на фотографиях и сканах
  • OCR английских документов с разметкой расположения символов
  • обработка документов со смешанным корейским и английским текстом
  • потоковое распознавание текста в приложениях с ограниченными ресурсами

Ограничения

Модель ориентирована на корейский и английский языки; для изображений меньше 2304 пикселей по длинной стороне рекомендуется предварительное увеличение. В бенчмарке ICDAR2015 её результат ниже показателей CLOVA OCR.

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

VARCO-VISION-2.0-1.7B-OCR

Introduction

VARCO-VISION-2.0-1.7B-OCR is a lightweight yet powerful OCR-specialized model derived from VARCO-VISION-2.0-1.7B, designed to deliver efficient and accurate text recognition in real-world scenarios. Unlike conventional vision-language models (VLMs) that primarily focus on transcribing visible text, this model performs both recognition and spatial localization by detecting bounding boxes around each character, enabling structured, layout-aware OCR outputs.

The model supports both Korean and English, making it well-suited for multilingual environments where mixed-script documents are common. Each recognized character is paired with its precise position in the image, formatted as <char>{characters}</char><bbox>{x1}, {y1}, {x2}, {y2}</bbox>, where the coordinates correspond to the top-left (x1, y1) and bottom-right (x2, y2) corners of the character's bounding box.

While VARCO-VISION-2.0-14B demonstrates strong OCR capabilities as part of its broader multimodal reasoning skills, deploying such a large model for single-task use cases can be computationally inefficient. VARCO-VISION-2.0-1.7B-OCR addresses this with a task-optimized design that retains high accuracy while significantly reducing resource requirements, making it ideal for real-time or resource-constrained applications.

image/gif

🚨News🎙️

  • 📝 2025-09-12: We published the technical report of VARCO-VISION-2.0 at link
  • 🛠️ 2025-08-22: We updated the checkpoint of VARCO-VISION-2.0-1.7B for improved performance.
  • 📰 2025-07-28: We released VARCO-VISION-2.0-1.7B-OCR at link
  • 📰 2025-07-28: We released VARCO-VISION-2.0-1.7B at link
  • 🛠️ 2025-07-18: We updated the checkpoint of VARCO-VISION-2.0-14B for improved performance.
  • 📰 2025-07-16: We released VARCO-VISION-2.0-14B at link
  • 📰 2025-07-16: We released GME-VARCO-VISION-Embedding at link

VARCO-VISION-2.0 Family

Model NameBase Models (Vision / Language)HF Link
VARCO-VISION-2.0-14Bsiglip2-so400m-patch16-384 / Qwen3-14B link
VARCO-VISION-2.0-1.7Bsiglip2-so400m-patch16-384 / Qwen3-1.7Blink
VARCO-VISION-2.0-1.7B-OCRsiglip2-so400m-patch16-384 / Qwen3-1.7Blink
GME-VARCO-VISION-EmbeddingQwen2-VL-7B-Instructlink

Model Architecture

VARCO-VISION-2.0 follows the architecture of LLaVA-OneVision.

Evaluation

OCR Benchmark

BenchmarkCLOVA OCRPaddleOCREasyOCRVARCO-VISION-2.0-1.7B-OCR
CORD93.991.477.895.6
ICDAR201394.492.085.095.5
ICDAR201584.173.757.975.4

Usage

To use this model, we recommend installing transformers version 4.53.1 or higher. Additionally, for best results, we recommend upscaling input images to a minimum resolution of 2,304 on the longer side if they are smaller.

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

model_name = "NCSOFT/VARCO-VISION-2.0-1.7B-OCR"
model = LlavaOnevisionForConditionalGeneration.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    attn_implementation="sdpa",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_name)

image = Image.open("file:///path/to/image.jpg")

# Image upscaling for OCR performance boost
w, h = image.size
target_size = 2304
if max(w, h) < target_size:
    scaling_factor = target_size / max(w, h)
    new_w = int(w * scaling_factor)
    new_h = int(h * scaling_factor)
    image = image.resize((new_w, new_h))

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "<ocr>"},
        ],
    },
]

inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device, torch.float16)

generate_ids = model.generate(**inputs, max_new_tokens=1024)
generate_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generate_ids)
]
output = processor.decode(generate_ids_trimmed[0], skip_special_tokens=False)
print(output)

Citation

@misc{cha2025varcovision20technicalreport,
      title={VARCO-VISION-2.0 Technical Report}, 
      author={Young-rok Cha and Jeongho Ju and SunYoung Park and Jong-Hyeon Lee and Younghyun Yu and Youngjune Kim},
      year={2025},
      eprint={2509.10105},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2509.10105}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaOnevisionForConditionalGeneration
Ревизия весов
5c83a19

0 моделей