/ Модель
Каталог

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Базовая модель
donut-base
Библиотека
transformers
Опубликована
15 июн 2026

Ссылки

Hugging Face

line_items

Sagarjha456
Изображение и текст → текст

Дообученная Donut-модель преобразует изображения документов в текст и может применяться для экспериментов с извлечением строк и данных.

13скачиваний за 30 дней0лайковвеса обновлены15 июн 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.

Открыть конструктор бенчмарка

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

Sagarjha456/line_items — дообученная модель на основе naver-clova-ix/donut-base для преобразования изображений в текст. Архитектура Vision Encoder–Decoder поддерживает обработку изображений документов; модель опубликована в формате safetensors и размечена для задачи image-text-to-text.

Карточка сообщает значение loss 0,4747 на оценочном наборе, но не описывает набор данных, конкретный формат извлечения строк или полей и условия оценки. Поэтому модель можно рассматривать для экспериментов с разбором документов и извлечением текстовых строк, но её пригодность для конкретного рабочего процесса следует проверять на собственных данных. Лицензия — MIT.

Сценарии применения

  • извлечение строк из изображения документа
  • преобразование изображения документа в текст
  • эксперименты с разбором документов
  • оценка качества извлечения текста на собственном наборе документов

Ограничения

README не раскрывает обучающие данные, точное назначение извлечения или подробности оценки; указан только loss 0,4747 на оценочном наборе. Качество на иных типах документов не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

line_items

This model is a fine-tuned version of naver-clova-ix/donut-base on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4747

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 4
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 100
  • num_epochs: 15
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
12.95861.07542002.1653
4.31602.15074001.0573
2.10713.22616000.6039
0.94794.30158000.4992
0.67135.376910000.4486
0.61286.452212000.4649
0.52847.527614000.4505
0.39328.603016000.4747

Framework versions

  • Transformers 5.10.2
  • Pytorch 2.11.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
3a936f0

0 моделей

    Создать бенчмарк