/ Модель

Характеристики

Контекст
131 072 токена
Параметры
198 млн
Лицензия
CC BY-NC 4.0
Архитектура
ananda · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
12 мар 2026

AnandaSky

Генерация текстаТекст → текст3 профессии

AnandaSky — модель с визуальным энкодером и декодером Qwen3 для распознавания строк исторических китайских документов по изображениям.

38скачиваний за 30 дней5лайковвеса обновлены13 мар 2026

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

AnandaSky — модель «зрение—язык» для построчной транскрипции исторических синосферных документов; она описана в научной статье об этой задаче. Архитектура сочетает визуальный энкодер Vision Transformer и авторегрессионный декодер на основе Qwen3. В README указано около 626 млн параметров, а в метаданных Hugging Face — 197,5 млн; поэтому точный размер модели по доступным сведениям неоднозначен.

Модель предназначена для распознавания строк на изображениях исторических документов из Китая и Кореи, созданных с VIII по XX век, включая печатные издания и рукописи. Она обрабатывает вертикальный текст в одно- и двухколоночной раскладке; заявленные результаты включают низкую частоту ошибок символов на нескольких профильных тестовых наборах. Основной язык — китайский, включая классический китайский.

Для запуска требуются Python 3.10 или новее, PyTorch 2.1 или новее, GPU NVIDIA поколения Ampere или новее и FlashAttention; для загрузки пользовательского кода Transformers требуется параметр trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Сценарии применения

  • транскрипция строк китайских исторических рукописей
  • распознавание классического китайского в старопечатных книгах
  • оцифровка вертикального текста в одно- и двухколоночных документах
  • распознавание строк в исторических документах из Китая и Кореи

Ограничения

Для запуска необходимы FlashAttention и совместимый GPU NVIDIA Ampere или новее; загрузка требует trust_remote_code=True. Размер расходится между README (около 626 млн параметров) и метаданными (197,5 млн), а лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

AnandaSky

AnandaSky is a vision-language model for line-level transcription of historical sinographic documents.

The name combines Ananda—the disciple of the Buddha traditionally associated with the "encoding" of early Buddhist texts—and Sky, the opening character of the Thousand Character Classic, a text long used in premodern China to enumerate items.

Paper

This model is described in the following paper:

AnandaSky: A Vision--Language Model for Line-Level Transcription of Historical Sinographic Documents

Model Overview

AnandaSky is a vision-language model for efficient transcription of historical sinographic line images. It contains approximately 626M parameters and combines:

  • a Vision Transformer (ViT) encoder
  • an autoregressive Qwen3-based decoder

The model was trained on 4 million line images extracted from historical documents produced in China and Korea between the 8th and 20th centuries, including both printed editions and handwritten manuscripts.

A full description of the datasets, preprocessing pipeline, and training procedure is provided in the accompanying paper.

Evaluation Results

The model achieves the following character error rates (CER) on in-domain test sets:

DatasetCER
MTHv20.92%
Sibu Congkan0.43%
Korean Anthologies0.33%
Dunhuang Manuscripts1.38%
Qing Legal Documents4.89%

The model achieves the following character error rates (CER) on held-out benchmarks:

DatasetCER
ICDAR2019-HDRC0.96%
CUHK Challenge 20210.82%
CUHK Challenge 20221.61%

Intended Use

AnandaSky is intended for line-level transcription of historical sinographic documents. It can process both single-column and double-column vertical text layouts.

Transcription Normalization

If you notice that the model systematically produces an incorrect transcription for a specific character or glyph form, please consider opening an issue in the repository. Such reports are valuable for improving the normalization pipeline and future model releases.

Hardware and Dependencies

This model has a hard dependency on FlashAttention.

Required Environment

  • Python >= 3.10
  • PyTorch >= 2.1
  • NVIDIA Ampere-or-newer GPU
  • transformers
  • flash-attn

Install FlashAttention

pip install flash-attn --no-build-isolation

⚠️ FlashAttention is required. The model will not run without it.

Loading the Model

Because this repository uses custom Transformers modeling code, the model must be loaded with trust_remote_code=True.

Example

from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "badianeai/AnandaSky",
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="auto",
)

Minimal Inference Example

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

DEVICE = torch.device("cuda")
DTYPE = torch.bfloat16

model = AutoModelForCausalLM.from_pretrained("badianeai/AnandaSky",
                                            trust_remote_code=True,
                                            torch_dtype=DTYPE)

model = model.to(DEVICE)

image = Image.open("line_image.png")

processor = AutoProcessor.from_pretrained("badianeai/AnandaSky",
                                          trust_remote_code=True,
                                          local_files_only=True)

inputs = processor(images=image, return_tensors="pt")


inputs["input_ids"] = inputs["input_ids"].to(device=DEVICE, non_blocking=True)
inputs["attention_mask"] = inputs["attention_mask"].to(device=DEVICE, non_blocking=True)
inputs["pixel_values"] = inputs["pixel_values"].to(device=DEVICE, dtype=DTYPE, non_blocking=True)
inputs["patch_attention_mask"] = inputs["patch_attention_mask"].to(device=DEVICE, non_blocking=True)

with torch.no_grad():
    with torch.autocast(device_type="cuda", dtype=DTYPE, enabled=True):
        output = model.generate(
            **inputs,
            use_cache=True,
        )

text = processor.decode(output[0, 1:], skip_special_tokens=True).strip()
print(text)

License

This model is released under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) license.

It may be used for research, academic, and other non-commercial purposes only. Commercial use is not permitted without prior permission from the authors.

Citation

@inproceedings{brisson:hal-05548531,
  TITLE = {{AnandaSky: A Vision-Language Model for Line-Level Transcription of Historical Sinographic Documents}},
  AUTHOR = {Brisson, Colin and Kahfy, Ayoub and Constant, Fr{\'e}d{\'e}ric and Bui, Marc},
  URL = {https://hal.science/hal-05548531},
  NOTE = {BnF DataLab Projet READ\_Chinese},
  BOOKTITLE = {{The Fourth Workshop on Language Technologies for Historical and Ancient Languages (LT4HALA 2026)}},
  ADDRESS = {Majorca/Spain, Spain},
  YEAR = {2026},
  MONTH = May,
  KEYWORDS = {Dunhuang manuscripts ; long-tailed distribution ; vision-language models ; HTR ; OCR ; Classical Chinese ; Historical documents ; Historical documents Classical Chinese OCR HTR vision-language models long-tailed distribution Dunhuang manuscripts},
  PDF = {https://hal.science/hal-05548531v1/file/AnandaSky_Technical_Report.pdf},
  HAL_ID = {hal-05548531},
  HAL_VERSION = {v1},
}

Contact

For questions, bug reports, or feedback, please open an issue in the repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
AnandaForCausalLM
Ревизия весов
57ef965

0 моделей