/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-VL-4B-Instruct
Библиотека
transformers
Опубликована
11 сен 2026

amidda1.0Line4B

Описание изображенийИзображение → текст3 профессии

Модель распознаёт рукописный арабский текст, урду и персидский язык по изображениям отдельных строк.

61скачиваний за 30 дней0лайковвеса обновлены11 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 «Распознавание текста» — 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

AMIDDA 1.0 Line 4B — модель Calfa для распознавания рукописного текста на изображениях отдельных строк. Она дообучена методом LoRA на базе Qwen/Qwen3.5-VL-4B-Instruct; адаптер объединён с базовыми весами. Обучение проводилось на 53 420 строках из восьми корпусов AMIDDA.

Модель предназначена для транскрибирования арабских рукописей магрибского и восточного стилей, урду в литографиях, персидского текста и современного арабского почерка. На вход подают обрезанное изображение одной строки, а на выходе получают транскрипцию. Для распознавания целой страницы требуется предварительно выделить строки. Текст сохраняется в исходном виде, без нормализации и редакторской правки; огласовки передаются согласно правилам конкретного корпуса.

Модель построена на архитектуре Qwen3.5-VL-4B и распространяется в формате safetensors через Transformers. Авторы отмечают, что она не предназначена для production-применения. Для запуска требуется Transformers версии 5.9 или новее; без оптимизированных CUDA-ядер инференс может быть значительно медленнее. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование строк из арабских рукописей
  • распознавание магрибского и восточного арабского почерка
  • оцифровка урду в литографиях
  • транскрибирование персидских рукописных строк
  • распознавание современного арабского почерка

Ограничения

Модель принимает изображение одной заранее выделенной строки и не выполняет сегментацию страниц. Авторы не позиционируют её для production; передача огласовок зависит от правил обучающих корпусов.

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

AMIDDA 1.0 Line 4B

A foundation Vision Language Model for line-level Arabic handwritten text recognition (HTR), pre-trained on AMIDDA and developed at Calfa. Not designed for production.

Unlike the per-corpus specialised models that preceded it, this is a single generic model covering Maghrebi and Oriental Arabic manuscripts, Urdu lithographs, Persian, and modern Arabic handwriting.

Base modelQwen3.5-VL-4B-Instruct
Training dataAMIDDA, 53,420 training lines from 8 corpora
MethodLoRA fine-tuning, r = 64, adapter merged into the base weights
TaskLine-level HTR on pre-segmented images

Presented at HIP 2026 @ ICDAR 2026. See the system report for data, training procedure, and full results.

Results

CER (%) on the AMIDDA test split (6,684 lines), per source corpus. Lower is better. The CTC row gives the per-corpus specialised RNN baselines for perspective; they are not a single generic model.

Methodbaybarsiskandarkhattmuharafrasam1rasam2rasmtarimaOverall
AMIDDA 1.0 Line 4B13.415.99.830.125.027.637.424.223.1
QARI-OCR v0.3, zero-shot140.1113.650.9105.9114.6100.671.285.1104.3
Gemini 3 Flash, 25-shot ICL11.211.87.522.516.529.021.125.618.3
CTC, one RNN per corpus7.8—6.19.53.64.98.93.96.4

Intended use

The model expects a cropped image of a single text line and returns its transcription. It is not a page-level OCR system: segmentation must be performed beforehand.

Transcriptions preserve the text as written in the original document, without normalization, modernization, or editorial correction. Diacritics (tashkil) are transcribed only where the training guidelines record them, which varies across source corpora; see the transcription_guidelines column of AMIDDA.

Dependencies

pip install "transformers>=5.9" torch accelerate pillow

transformers>=5.9 is required: earlier versions do not implement the qwen3_5 architecture.

The Qwen3.5 backbone alternates linear-attention and full-attention layers. Without the optimised kernels, transformers silently falls back to reference PyTorch implementations that are correct but much slower. On CUDA, install them:

pip install causal-conv1d flash-linear-attention

Usage

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

model_id = "calfa-ai/amidda1.0Line4B"
PROMPT = "Transcribe the handwritten text in this line image. Output ONLY the transcription."

processor = AutoProcessor.from_pretrained(model_id, max_pixels=401408)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto"
)
model.eval()

image = Image.open("path/to/line_image.jpg").convert("RGB")

messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": PROMPT},
    ],
}]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
    enable_thinking=False,
).to(model.device)

with torch.no_grad():
    generated = model.generate(**inputs, max_new_tokens=128, do_sample=False)

trimmed = generated[0][inputs["input_ids"].shape[1]:]
print(processor.decode(trimmed, skip_special_tokens=True).strip())

enable_thinking=False is required.

Usage with DocWorkflow

Training and evaluation were carried out with DocWorkflow, adapted to Arabic script. DocWorkflow handles ALTO XML input/output, line extraction, batching, and scoring in one pipeline.

git clone https://github.com/TheoMoins/DocWorkflow
cd DocWorkflow
pip install -e .
run_name: "amidda1.0Line4B"
output_dir: "results"
device: "cuda"

data:
  test: "path/to/your/alto/data"

tasks:
  htr:
    type: VLMLineHTR
    config:
      model_name: "calfa-ai/amidda1.0Line4B"
      device_map: "auto"
      max_new_tokens: 128
      line_batch_size: 8
      max_pixels: 401408
      prompt: >
        Transcribe the handwritten text in this line image.
        Output ONLY the transcription.
docworkflow -c amidda1.0Line4B.yml predict -t htr -d test

Related resources

All Arabic HTR resources are gathered in the Arabic HTR collection.

Training corpora: AMIDDA aggregates RASAM-1, RASAM-2, TARIMA, BAYBARS, ISKANDAR, KHATT, MUHARAF, and RASM (British Library, not redistributed).

Citation

@unpublished{vidalgorene:hal-05693582,
  TITLE = {{Is a Generic Dataset and Foundation VLM for Arabic HTR Worth It? Lessons from AMIDDA}},
  AUTHOR = {Vidal-Gor{\`e}ne, Chahan and Lucas, No{\"e}mie and Salah, Cl{\'e}ment and Decours-Perez, Ali{\'e}nor},
  URL = {https://enc.hal.science/hal-05693582},
  NOTE = {working paper or preprint},
  YEAR = {2026},
  MONTH = Jul,
  KEYWORDS = {Arabic HTR ; Vision-Language Models ; In-Context Learning ; Data Bootstrapping ; DISTAM},
  PDF = {https://enc.hal.science/hal-05693582v1/file/main.pdf},
  HAL_ID = {hal-05693582},
  HAL_VERSION = {v1},
}

License

The weights are released under Apache 2.0, following the Qwen3.5-VL-4B-Instruct base model. This covers the model only: the training data is mixed-license, and each AMIDDA sub-dataset carries its own terms. RASM is not redistributed.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
9dd50f6

0 моделей