/ Модель

Характеристики

Контекст
512 токенов
Параметры
534 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
15 июл 2024

OCRerrcr

Разметка токеновТекст → label5 профессий

Модель DeBERTa-v2 для обнаружения и оценки ошибок OCR в распознанных документах.

128скачиваний за 30 дней15лайковвеса обновлены10 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

OCRerrcr — модель на архитектуре DeBERTa-v2 для обнаружения ошибок распознавания текста в документах. Её обучил Eliot Jones для PleIAs на выборке из 1000 документов с размеченными OCR-ошибками из открытых финансовых данных Finance Commons и источников культурного наследия Common Corpus.

Модель выполняет токенную классификацию и предназначена для оценки ошибок OCR в распознанном тексте. По заявлению разработчика, она даёт точную оценку ошибок без привязки к конкретной области; альтернативный конвейер OCRoscope работает быстрее на больших объёмах, но менее точен, особенно для документов с небольшим числом ошибок. Модель имеет 533,8 млн параметров и контекст 512 токенов, поддерживает английский, французский и немецкий языки. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • поиск ошибок OCR в распознанном тексте
  • оценка доли ошибок распознавания в документе
  • проверка качества оцифровки финансовых документов
  • контроль распознавания документов культурного наследия

Ограничения

Контекст ограничен 512 токенами. Для больших объёмов OCRoscope масштабируется лучше, но, по данным разработчика, уступает этой модели в точности, особенно на документах с малым числом ошибок.

Для каких профессий подходит5

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

OCRerrcr is a small language model specialized for the detection of OCR error.

OCRerrcr was trained by Eliot Jones for PleIAs on a sample of 1000 documents with labelled OCR errors from open data documents (Finance Commons) and cultural heritage sources (Common Corpus).

To date, OCRerrcr provide the most accurate agnostic OCR error rate estimate. PleIAs has also develop an alternative pipeline for this tasks, OCRoscope, that scale significantly better but also significantly less accurate, especially for document with fewer mistakes.

The model was trained using HPC resources from GENCI–IDRIS (Grant 2023-AD011014736) on Jean-Zay.

The name OCRerrcr (instead of OCRerror) is a playful allusion to a common OCR misreading.

Example

The following is a low-error example sentence taken from Common Corpus:

They did not approach cer, but turned away and passed irom her presence, filled with sorrow and moved with sympathy, which her intense emotions seemed to communicate to even these thoughtless young men of the tho plains.

And the OCRerrcr detection (with formatting for clarity):

They did not approach <er>cer,</er> but turned away and passed <er>irom</er> her presence, filled with sorrow and moved with sympathy, which her intense emotions seemed to communicate to even these thoughtless young men of the <er>tho</er> plains.

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForTokenClassification
Ревизия весов
e7f9c1e

0 моделей