/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B
Библиотека
transformers
Опубликована
3 июл 2026

Qwen3-VL-8B-Contracts-OCR

Изображение и текст → текст3 профессии

Мультимодальная модель Qwen3-VL-8B извлекает структурированные сведения в JSON из сканов арабских договоров об учреждении египетских компаний.

30скачиваний за 30 дней1лайквеса обновлены3 июл 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

Qwen3-VL-8B-Contracts-OCR — дообученная авторами репозитория мультимодальная модель Qwen3-VL-8B для извлечения структурированных данных из сканов договоров об учреждении египетских компаний на арабском языке. Она анализирует изображения страниц и формирует JSON, копируя арабский текст без исправления орфографии; таблицы включает в ответ в формате Markdown. Для обработки предусмотрена подача двух соседних страниц одновременно, а PDF перед запуском нужно преобразовать в изображения.

Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате Safetensors для Transformers; в README также описана версия с объединёнными LoRA-весами FP16. Она предназначена для оцифровки корпоративных юридических документов и автоматизации извлечения сведений. Обучение проводилось на частном наборе примерно из 32 исходных договоров, расширенном аугментациями, поэтому качество за пределами этого типа документов не подтверждено. Лицензия — Apache 2.0.

Сценарии применения

  • извлечение реквизитов из договоров об учреждении египетских компаний
  • преобразование сканов арабских юридических договоров в JSON
  • оцифровка таблиц и разделов многостраничных договоров
  • автоматизация обработки соседних страниц договора

Ограничения

Дообучена специально для сканов договоров об учреждении египетских компаний; качество на других типах документов, включая рукописные формы, счета и паспорта, не оценивалось. Для PDF требуется предварительное преобразование в изображения, а вход рассчитан на две соседние страницы.

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

Egyptian Company Incorporation Contract Information Extraction

This model is a fine-tuned Qwen3-VL-8B model specialized for extracting structured information from scanned Egyptian company incorporation contracts written in Arabic.

Instead of performing traditional OCR only, the model directly understands document images and generates a structured JSON representation of the contract.


GGUF Version

This repository contains the Transformers (Safetensors) version of the model.

Looking for GGUF quantizations for llama.cpp, LM Studio, or other GGUF-compatible runtimes

Check : 👉Qwen3-VL-8B-Contracts-OCR-GGUF


Features

  • Extracts structured information directly from scanned contract pages
  • Designed specifically for Egyptian company incorporation contracts
  • Supports Arabic legal documents
  • Produces valid JSON output
  • Preserves Arabic text exactly as it appears in the document
  • Extracts tables as Markdown inside the JSON response
  • Handles multi-page contracts by processing two pages simultaneously

Model Details

Base Model

  • Qwen3-VL-8B

Fine-tuning Framework

  • Unsloth
  • LoRA
  • Transformers
  • PyTorch

Task

Vision-Language Information Extraction


Training Data

The model was fine-tuned on a private dataset consisting of Egyptian company incorporation contracts.

Dataset statistics:

  • 32 original contracts
  • Documents converted from PDF into page images
  • Sliding-window chunk generation
  • Each training sample consists of:
Image(page_i)
Image(page_i+1)
Target JSON

Example:

Page1 + Page2 -> JSON
Page2 + Page3 -> JSON
Page3 + Page4 -> JSON
...

The original dataset produced approximately 480 training chunks.

Extensive image augmentation was applied including:

  • Rotation
  • Brightness variation
  • Contrast variation
  • Gaussian noise
  • JPEG compression simulation

Final dataset size:

  • approximately 1900 image pairs

Training Configuration

ParameterValue
LoRA Rank16
LoRA Alpha32
Dropout0
Epochs4
Learning Rate2e-4
OptimizerAdamW 8-bit
SchedulerCosine
Warmup Ratio0.05
Effective Batch Size8
Max Sequence Length4096

The model was trained using Unsloth with gradient checkpointing for efficient memory usage.


Supported Input

The model accepts document images such as:

  • PNG
  • JPEG
  • PDF

PDF documents should first be converted into images.

Inference is designed to receive two consecutive pages at a time.


Output Format

The model generates structured JSON.

Characteristics:

  • Arabic text is copied exactly as it appears.
  • No spelling correction.
  • Missing fields are returned as empty strings.
  • Tables are preserved as Markdown inside the JSON.
  • Articles spanning multiple pages are marked as partial when applicable.

Example Output

{
  "company_name": "",
  "company_address": "",
  "company_type": "",
  "law_reference": {
    "law_number": "",
    "law_year": ""
  },
  "company_capital": "",
  "commercial_register_number": "",
  "approval_date": "",
  "real_estate_registry_minutes_number": "",
  "company_duration": "",
  "company_activity": "",
  "articles": [
    {
      "id": "",
      "value": ""
    }
    ,...
  ]
}

Usage

import gc
import json
import torch
from unsloth import FastVisionModel
from qwen_vl_utils import process_vision_info
from PIL import Image

model, tokenizer = FastVisionModel.from_pretrained(
    "a-mo-yehia/contract_OCR_model",
    load_in_4bit=False,
)

FastVisionModel.for_inference(model)

img1 = Image.open("page1.jpg").convert("RGB")
img2 = Image.open("page2.jpg").convert("RGB")

SYSTEM_PROMPT = """\
أنت نظام استخراج بيانات من عقود تأسيس شركات مصرية مسحوبة ضوئياً.

الوثيقة أمامك هي صفحتان من عقد تأسيس شركة مصرية مكتوبة بالعربية.

─── بنية المستند ───
- يبدأ العقد بديباجة (تمهيد) تذكر القانون المنظِّم للشركة.
- تأتي بعدها مواد مرقّمة (مادة ١، مادة ٢، ...) تحتوي على كل التفاصيل.
- اسم الشركة ونوعها: عادةً في المواد الأولى (١–٣).
- غرض الشركة ونشاطها: في مادة الغرض (المادة ٣ أو ٤ غالباً).
- العنوان: في المادة التي تذكر "المركز الرئيسي".
- رأس المال وتوزيعه بين الشركاء: في مادة واحدة تحتوي عادةً على جدول.
- مدة الشركة: في المادة التي تذكر السنوات أو الأجل.
- رقم القانون: في التمهيد أو أوائل المواد، صيغته "القانون رقم XXX لسنة XXXX".

─── قواعد الاستخراج ───
- انسخ كل نص عربي حرفياً كما يظهر في الصورة — لا تصحّح ولا تُعيد صياغة.
- إذا كانت مادة ممتدة وانتهت الصفحة قبل اكتمالها: "partial": true.
- إذا لم يوجد حقل في الصفحتين: اتركه سلسلة فارغة "".
- إذا لم تكن هناك مواد في الصفحتين: أرجع "articles": [].
- إذا احتوت الوثيقة على أي جداول، **يجب** استخراجها كاملة وتنسيقها حصرياً بصيغة Markdown (MD).
- يمنع منعاً باتاً تجاهل أي بيانات مجدولة أو دمجها كنص عادي.
- أرجع JSON صحيح فقط — بدون markdown، بدون شرح، بدون مفاتيح إضافية.\
"""


def run_inference(img1: Image.Image, img2: Image.Image, file_id: str, page_start: int) -> str:
    gc.collect()
    torch.cuda.empty_cache()

    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": [
            {"type": "image", "image": img1},
            {"type": "image", "image": img2},
            {"type": "text",  "text": (
                f"استخرج جميع البيانات من الصفحتين "
                f"من عقد {file_id} وأرجعها كـ JSON كامل."
            )},
        ]},
    ]

    input_text      = tokenizer.apply_chat_template(messages, add_generation_prompt=True)
    image_inputs, _ = process_vision_info(messages)

    inputs = tokenizer(
        image_inputs,
        input_text,
        add_special_tokens=False,
        return_tensors="pt",
    ).to("cuda")

    with torch.no_grad():
        out = model.generate(
            **inputs,
            max_new_tokens=4096,
            use_cache=True,
            do_sample=False,
            repetition_penalty=1.1,
        )

    generated = tokenizer.decode(
        out[0, inputs["input_ids"].shape[-1]:],
        skip_special_tokens=True,
    ).strip()

    return generated

raw_output = run_inference(img1, img2, FILE_ID, PAGE_START)

print("\n=== Raw Output ===")
print(raw_output)

Available Formats

This repository contains:

Full Precision

  • FP16 merged Transformers model

GGUF

  • F16
  • Q8_0
  • Q4_K_M

These formats allow inference using:

  • Transformers
  • Unsloth
  • llama.cpp
  • LM Studio
  • Ollama (after creating a Modelfile)

Intended Use

The model is intended for:

  • Company incorporation contract digitization
  • Legal document information extraction
  • Document automation
  • Arabic document understanding
  • OCR-assisted document processing

Limitations

This model was fine-tuned specifically for Egyptian company incorporation contracts.

Performance on other document types such as:

  • invoices
  • passports
  • handwritten forms
  • receipts
  • newspapers

has not been evaluated.


Acknowledgements

This project is built upon:

  • Qwen3-VL
  • Unsloth
  • Hugging Face Transformers
  • PEFT

Special thanks to the authors of these open-source projects.


Citation

If you use this model in your research or application, please cite this repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
342859b

0 моделей