/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
71,5 млрд
Размер весов
147 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-72B-Instruct
Библиотека
transformers
Опубликована
2 апр 2025

BaichuanMed-OCR-72B

Изображение и текст → текст4 профессии

Мультимодальная модель для распознавания текста на изображениях медицинских отчётов и ответов на вопросы по их содержимому.

82скачиваний за 30 дней8лайковвеса обновлены7 апр 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

BaichuanMed-OCR-72B — мультимодальная модель компании Baichuan, дообученная на основе Qwen/Qwen2.5-VL-72B-Instruct на наборах изображений медицинских отчётов и связанных с ними вопросах и ответах. Она предназначена для распознавания текста на изображениях медицинских документов, извлечения ключевых сведений и ответов на вопросы по их содержимому; результаты можно выдавать в структурированном Markdown.

Модель использует архитектуру Qwen2.5-VL с 71,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текст. В метаданных указаны языки en и zh и контекст до 128 000 токенов. В README приведено сравнение на закрытом медицинском наборе данных, но оно не позволяет оценить качество на других документах. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке модели.

Сценарии применения

  • извлечение текста из сканов медицинских отчётов
  • поиск ключевых сведений в медицинских документах
  • ответы на вопросы по содержимому медицинского отчёта
  • суммирование информации из медицинских документов
  • структурированное представление распознанного текста в Markdown

Ограничения

Оценка приведена на закрытом наборе медицинских отчётов, поэтому качество на других типах документов и в реальных клинических сценариях не установлено. Лицензия обозначена как other, её условия требуют проверки.

Для каких профессий подходит4

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

BaichuanMed-OCR-72B

Model Overview

BaichuanMed-OCR-72B is a model fine-tuned from the Qwen2.5-VL-72B-Instruct with our constructed and curated medical report datasets consists of medical report images and related questions and answers (QAs). It has been specifically adapted to perform Optical Character Recognition (OCR) on medical report images and answer questions based on the extracted content.

Capabilities:

  • Robust OCR Capability: Accurately recognizes complex textual content within medical report images.
  • Structured Markdown Output: Supports outputting extracted information in Markdown format.
  • Accurate Comprehension and Generation: Comprehends user queries and generates relevant, logically consistent answers derived from the OCR-extracted text.

Evaluation

To evaluate the effectiveness of BaichuanMed-OCR-72B on specific medical report data, we conducted a benchmark test on our private dataset (similar in composition to https://huggingface.co/datasets/mrlijun/SMR-R1), comparing its performance against relevant baseline models. The accuracy results are as follows:

ModelAcc%
Qwen2.5-VL-7B-Instruct71.3%
BaichuanMed-OCR-7B83.5%
Qwen2.5-VL-72B-Instruct83.3%
BaichuanMed-OCR-72B88.6%

The benchmark results indicate that BaichuanMed-OCR-72B achieves higher accuracy on this dataset, showing strong performance for tasks such as extracting key information and summarizing content from medical reports.

Usage

Usage is the same as Qwen2.5VL, here is an example to use the chat model with transformers and qwen_vl_utils:

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "baichuan-inc/BaichuanMed-OCR-72B", torch_dtype="auto", device_map="auto"
)

# default processer
processor = AutoProcessor.from_pretrained("baichuan-inc/BaichuanMed-OCR-72B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "your image url or PATH here.",
            },
            {"type": "text", "text": "提取图片中的文字和重要符号,有表格的就用表格输出。如果有水印,只需要识别一次,不要重复输出同样的水印内容。"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=8192)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Citation

If you find our work helpful, please cite it as follows:

@misc{lijun2025BaichuanMed-OCR-72B,
  author       = {Lijun Liu, Tao Zhang, Tao Zhang, Chong Li, Mingrui Wang, Chenglin Zhu, Mingan Lin, Zenan Zhou, Weipeng Chen},
  title        = {BaichuanMed-OCR-72B: A powerful medical report OCR recognition model},
  year         = {2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
37e434f

0 моделей