/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
7 апр 2025

BaichuanMed-OCR-7B

Изображение и текст → текст6 профессий

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

139скачиваний за 30 дней12лайковвеса обновлены7 апр 2025

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

BaichuanMed-OCR-7B — мультимодальная модель компании Baichuan, дообученная на медицинских отчётах на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает изображения медицинских документов и текстовые вопросы, распознаёт содержание отчёта и отвечает на вопросы по извлечённым данным; распознанную информацию может выдавать в структурированном Markdown. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов.

В опубликованном README приведён результат 83,5% на частном наборе медицинских отчётов; он не гарантирует такое же качество на других документах. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчика.

Сценарии применения

  • распознавание текста на снимках медицинских отчётов
  • извлечение ключевых сведений из медицинских документов
  • ответы на вопросы по содержанию медицинского отчёта
  • суммаризация медицинского отчёта
  • преобразование извлечённых данных из отчёта в Markdown

Ограничения

Оценка качества приведена для частного набора медицинских отчётов, поэтому её нельзя переносить на другие документы без проверки. Лицензия обозначена как other, и её конкретные условия требуют уточнения.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BaichuanMed-OCR-7B

Model Overview

BaichuanMed-OCR-7B is a model fine-tuned from the Qwen2.5-VL-7B-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-7B 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-7B and 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-7B", torch_dtype="auto", device_map="auto"
)

# default processer
processor = AutoProcessor.from_pretrained("baichuan-inc/BaichuanMed-OCR-7B")

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-7B,
  author       = {Lijun Liu, Tao Zhang, Tao Zhang, Chong Li, Mingrui Wang, Chenglin Zhu, Mingan Lin, Zenan Zhou, Weipeng Chen},
  title        = {BaichuanMed-OCR-7B: 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

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
826944c

0 моделей