/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
amad-vlm5
Библиотека
transformers
Опубликована
9 сен 2026

amad-vlm6

Изображение и текст → текст

Мультимодальная модель Qwen2.5-VL-7B для распознавания печатного и рукописного арабского текста на изображениях документов.

84скачиваний за 30 дней0лайковвеса обновлены9 сен 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

amad-vlm6 — модель компьютерного зрения и языка на архитектуре Qwen2.5-VL-7B, созданная слиянием TIES двух дообученных моделей для арабского OCR: amad-iq/amad-vlm5 и AhmedZaky1/DIMI-Arabic-OCR-V2. Она принимает изображения документов и текстовые запросы и выдаёт распознанную транскрипцию. Модель рассчитана прежде всего на печатный и рукописный арабский текст; также заявлена поддержка английского. Контекст составляет 32 768 токенов, веса доступны в формате safetensors, лицензия — Apache-2.0.

В тесте KITAB-Bench на 13 наборах данных модель показала макро CER 0,235. Улучшения относительно amad-vlm5 связаны главным образом с более дисциплинированной генерацией и сокращением пустых и усечённых ответов, а не с более точным чтением: частота замен символов выросла на 10 из 13 наборов. На отдельных данных модель сильно переизвлекает текст, поэтому её следует применять с проверкой результатов и осторожностью для слайдов и рукописей стиля muharaf. Для плотных страниц README рекомендует разрешать генерацию до 4096 новых токенов.

Сценарии применения

  • распознавание арабского текста на сканах документов
  • транскрибирование арабского рукописного текста
  • извлечение текста из изображений страниц
  • OCR арабских книг и исторических документов

Ограничения

Точность чтения по доле замен хуже, чем у amad-vlm5, на 10 из 13 тестовых наборов; на наборах isippt и muharaf наблюдается сильная генерация лишнего текста. Результаты ограничены тестом транскрибирования 13 типов арабских документов и не характеризуют качество на сложных фотографиях, таблицах, смешанном арабско-латинском тексте, задержку или следование инструкциям.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

amad-vlm6

amad-vlm6 is a TIES merge of two Arabic OCR fine-tunes of Qwen2.5-VL-7B-Instruct: amad-iq/amad-vlm5 and AhmedZaky1/DIMI-Arabic-OCR-V2.

📄 Full technical report — method, per-dataset results, and an error-type decomposition showing what the merge actually fixed.

Results

KITAB-Bench ocr-eval, 13 datasets, 3,760 images, final-answer scoring with the benchmark's unmodified metrics.

amad-vlm5amad-vlm6
CER ↓ (macro)0.2540.235
CHrF ↑ (macro)81.0581.68
CER ↓ (10 leak-free datasets)0.3210.236
CHrF ↑ (10 leak-free datasets)77.3582.46

Largest per-dataset gains: khattparagraph CER 0.711 → 0.088, evarest 0.291 → 0.142, hindawi 0.241 → 0.137.

What the gain is. Error-type decomposition (see the report) shows the improvement is behavioral: the merge cuts amad-vlm5's thinking rate on page-level inputs from 45–98% to 5–18% and removes its truncated and empty outputs, so insertions and deletions collapse. Reading accuracy itself (substitution rate) is worse on 10 of 13 datasets and better only on adab and evarest. Hallucination is not cancelled but moved: on isippt and muharaf the merged model over-generates where amad-vlm5 did not. Four per-dataset wins and three losses are statistically significant (bootstrap); five are not.

Files

RepositoryFormatUse
this repobf16 safetensorsTransformers, vLLM, further fine-tuning
amad-vlm6-GGUFQ8_0 + mmprojllama.cpp, LM Studio

Usage

import re, torch
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

repo = "amad-iq/amad-vlm6"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    repo, dtype=torch.bfloat16, device_map="auto")
processor = AutoProcessor.from_pretrained(repo)

messages = [{"role": "user", "content": [
    {"type": "image", "image": "page.png"},
    {"type": "text", "text": "Extract the text in the image. Give me the final text, nothing else."}]}]
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt").to(model.device)

out = model.generate(**inputs, max_new_tokens=4096, do_sample=False, repetition_penalty=1.05)
raw = processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0]
print(re.sub(r"<think>.*?</think>", "", raw, flags=re.S).strip())

The model inherits a thinking behaviour from one parent: on dense pages it may emit <think>…</think> before the transcription. Keep only the text after the last </think>, and allow 4,096 new tokens — a 500-token budget truncates dense pages.

Limitations

  • Reading regresses on 10 of 13 datasets (substitution rate); the CER wins come from output discipline, not perception. Macro WER is worse (0.361 → 0.463), driven by three datasets with catastrophic rows (historyar, muharaf, isippt), not by a general segmentation problem.
  • Two large regressions from imported over-generation: isippt CER 0.054 → 0.541 (insertions 0.006 → 0.471, 500 images) and muharaf 0.046 → 0.600 (insertions 0.012 → 0.423, plus memorized reading lost). Avoid on presentation-slide and muharaf-style handwritten inputs. onlinekhatt and khatt (amad-vlm5's other training-overlap sets) also regress.
  • Not yet shown to beat the cheaper fix. The natural control — amad-vlm5 with a repetition penalty and a think budget at inference — is being run; until it lands, merging is not proven necessary for this gain.
  • One benchmark is a narrow window. These numbers cover transcription accuracy on 13 Arabic document styles. They say nothing about photographed pages in poor light, skew, mixed Arabic–Latin text, tables and layout, latency, or instruction following — where this model may hold unmeasured strengths and unmeasured regressions.

Reproduction

merge_method: ties
base_model: Qwen/Qwen2.5-VL-7B-Instruct
models:
  - model: amad-iq/amad-vlm5
    parameters: {weight: 1.0, density: 0.5}
  - model: AhmedZaky1/DIMI-Arabic-OCR-V2   # V2 only — V1 is subsumed by V2
    parameters: {weight: 1.0, density: 0.5}
parameters: {lambda: 1.0, normalize: false}
dtype: bfloat16

License

Apache 2.0, inherited from the base model and both parents.

Author: Murtadha · amad-iq

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
7daf90c

0 моделей