/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-0.8B
Опубликована
19 мая 2026

bdrc-mitra-ocr-qwen35-0.8b

Изображение и текст → текст3 профессии

Компактная модель Buddhist NLP распознаёт тибетский текст на изображениях страниц и выдаёт построчную Unicode-транскрипцию.

146скачиваний за 30 дней0лайковвеса обновлены14 авг 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

BDRC-MITRA Tibetan OCR — компактная мультимодальная модель для постраничного распознавания тибетского текста. Её разработала команда Buddhist NLP; модель дообучена на Qwen/Qwen3.5-0.8B и использует архитектуру Qwen3.5 с поддержкой изображений и диалогового формата.

Модель принимает изображение одной страницы или чётко выделенной области и возвращает транскрипцию в Unicode-тибетском письме: одна строка на каждую физическую строку страницы. Она предназначена для оцифровки ксилографов, рукописей и печатных текстов, а также для построения поисковых индексов и последующей обработки текста. Поддерживает письма dbu can (uchen) и dbu med (umed); для распознавания рекомендуется использовать инструкцию «Extract all text from this image».

Для лучших результатов рекомендуются изображения с длинной стороной около 1500–2000 пикселей и размером до примерно 5 мегапикселей; слишком крупные сканы следует уменьшать. Сильный перекос и толстые поля ухудшают качество, а распознавание сильно повреждённых или скорописных рукописей umed может быть менее точным. Результаты, предназначенные для публикации, следует вычитывать. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оцифровка тибетских ксилографов
  • распознавание тибетских рукописей
  • распознавание тибетских печатных страниц
  • подготовка тибетских текстов для поисковой индексации
  • извлечение тибетского текста из сканов для последующей обработки

Ограничения

Точность снижается на сильно повреждённых или скорописных рукописях umed, при сильном перекосе изображения и толстых полях; результаты для публикации следует вычитывать. Для лучших результатов рекомендуется подавать одну страницу или чётко обрезанную область и уменьшать слишком крупные сканы.

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

BDRC-MITRA Tibetan OCR (Qwen3.5-0.8B)

End-to-end page-level OCR for Tibetan texts. Give it a page image, get back the transcription as plain Unicode Tibetan text with one line of text per line of the page. Handles both dbu can (uchen) and dbu med (umed) scripts across woodblock prints, manuscripts, and modern print.

Built on Qwen/Qwen3.5-0.8B; use it like any Qwen3.5-VL-style model.

Quick start (vLLM, recommended)

vllm serve buddhist-nlp/bdrc-mitra-ocr-qwen35-0.8b \
    --served-model-name ocr --trust-remote-code \
    --max-model-len 16384 --gpu-memory-utilization 0.4
import base64
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="none")

with open("page.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="ocr",
    messages=[{
        "role": "user",
        "content": [
            {"type": "image_url",
             "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
            {"type": "text", "text": "Extract all text from this image"},
        ],
    }],
    temperature=0.0,
    max_tokens=2048,
)
print(resp.choices[0].message.content)

Quick start (transformers)

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

model_id = "buddhist-nlp/bdrc-mitra-ocr-qwen35-0.8b"
model = AutoModelForImageTextToText.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="cuda", trust_remote_code=True
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

image = Image.open("page.jpg").convert("RGB")
messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": "Extract all text from this image"},
    ],
}]
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=2048, do_sample=False)
print(processor.decode(out[0][inputs["input_ids"].shape[1]:],
                       skip_special_tokens=True))

Usage notes

  • Prompt: use exactly Extract all text from this image — this is the instruction the model was tuned for.
  • Decoding: greedy (temperature 0.0) works well; max_tokens 2048 covers a dense pecha page.
  • Image size: best results with the page's longest edge around 1500–2000 px (≤ ~5 MP). Very large scans should be downsized first.
  • Input: one page (or one clearly cropped text region) per request. Full-page photographs work; extreme skew or heavy borders reduce quality.
  • Output: plain Tibetan Unicode, one line per physical line of the page, separated by \n. No markup or coordinates.

Intended use

Transcription of Tibetan xylographs, manuscripts, and prints, e.g. for digitization pipelines, search indexing, and downstream NLP. Expect lower accuracy on heavily degraded or highly cursive umed manuscripts — always proofread results destined for publication.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
e854b1e

0 моделей