/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
AGPL 3.0
Архитектура
qwen2_vl · dense
Базовая модель
florin-parser-nano
Библиотека
transformers
Опубликована
29 авг 2026

rakedoc-nano

Изображение и текст → текст5 профессий

Мультимодальная модель CloudRaker для извлечения структуры таблиц из изображений документов с выводом в формате OTSL.

605скачиваний за 30 дней10лайковвеса обновлены30 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

rakedoc-nano — модель CloudRaker на архитектуре Qwen2-VL с 1,2 млрд параметров, дообученная для разбора структуры таблиц в документах. Это LoRA-дообучение florin-inc/florin-parser-nano; веса адаптера объединены с базовой моделью, поэтому отдельная загрузка адаптера не требуется. Модель используется в конвейере разбора документов CloudRaker Paperwork API и может служить заменой базовой модели в KDL pipeline.

Модель принимает изображение документа и текстовый запрос, а для распознанной таблицы выдаёт структурированное представление OTSL. Дообучение проводилось на 3 000 синтетических фрагментов таблиц, включая многоуровневые заголовки, объединённые ячейки и многострочный текст. В заявленном тесте ParseBench модель набрала 86,44 балла за таблицы; показатели диаграмм и поведения вне табличного этапа близки к базовой модели.

Проверка охватывала преимущественно англоязычные финансовые и страховые документы; качество на других тематиках не оценивалось. Конвейер не выводит разметку подчёркивания, выделения и блоков кода. Лицензия — AGPL-3.0.

Сценарии применения

  • распознавание таблиц на сканах и изображениях документов
  • извлечение объединённых ячеек и многоуровневых заголовков
  • преобразование таблиц документов в структурированное представление OTSL
  • разбор таблиц в финансовых и страховых документах

Ограничения

Оценка проводилась преимущественно на англоязычных финансовых и страховых документах, поэтому качество на других языках и в иных областях не установлено. Конвейер не выводит разметку подчёркивания, выделения и блоков кода; обработка диаграмм и обнаружение макета не улучшались относительно базовой модели.

Для каких профессий подходит5

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

rakedoc-nano

A 1.2B-parameter document parser (Qwen2-VL architecture) fine-tuned for table structure. It is a LoRA fine-tune of florin-inc/florin-parser-nano, itself a fine-tune of KDLAI/KDL-Frontier-Parser-nano. Weights are merged; no adapter loading is needed.

This model powers the document parsing pipeline of the CloudRaker Paperwork API.

Lineage and license

LinkOwnerLicense
Qwen2-VLAlibabaApache-2.0
KDL-Frontier-Parser-nanoKoreaDeepAGPL-3.0
florin-parser-nanoflorin-incAGPL-3.0
rakedoc-nanoCloudRakerAGPL-3.0

AGPL-3.0 is inherited from the KDL weights and applies to this model. See LICENSE and NOTICE.

ParseBench

Official result — mean of 3 full runs on ParseBench main (plus the florin_parser_nano layout-adapter registration fix submitted with the leaderboard PR), single H100 SXM, vllm/vllm-openai:0.28.0, all defaults, LLM normalization off:

ModelOverallTablesChartsContent FaithfulnessSemantic FormattingVisual Grounding
rakedoc-nano (mean of 3, submitted)77.2386.4464.8988.8471.6874.28

Per-run Overall: 77.24 / 77.23 / 77.21 (run-to-run sigma about 0.015).

Earlier measurement (commit facdaf02)

Scores at commit facdaf02, single run, LLM normalization off unless stated.

ModelOverallTablesContent FaithfulnessSemantic FormattingVisual GroundingCharts
rakedoc-nano76.0486.4987.2767.8974.0864.45
rakedoc-nano, LLM normalization on (Claude Haiku 4.5 judge)76.0486.4087.2667.8774.2064.48
rakedoc-nano, fixed-harness normalization (non-official, see below)76.0686.3887.2367.8574.1064.76

At commit facdaf02 the judge's label normalizer receives no table headers (llm_normalization/postprocess.py:209 passes table_headers=[]), so normalization on and off score the same; both are reported for transparency.

"Fixed-harness" rows use a two-line patch that threads the predicted markdown into the judge and extracts header cells from Markdown and HTML tables (_table_headers_from_content). It is not the official harness and is not comparable to the public leaderboard; it is shown so the effect of the judge bug can be seen (about +0.3 on Charts, nothing elsewhere).

Run-to-run noise measured on this harness: about ±0.1 Overall, ±0.05 Tables, ±0.3 Charts.

Three-pillar mean (Tables, Content Faithfulness, Semantic Formatting), the metric used in Cohere's Parse announcement: rakedoc-nano 80.55 versus Cohere Parse 79.2.

What moved: merged-cell structure. Perfect table record match rose from 0.584 to 0.606 and hard-table GriTS from 0.792 to 0.794. Text, layout, and chart behaviour are unchanged within noise.

Training

  • LoRA r=16, alpha 32, on language attention and MLP projections; vision tower and projector frozen. 1 epoch, LR 2e-5, cosine schedule, bf16, one H100, about 12 minutes.
  • Data: 3,000 synthetic table region crops rendered from HTML with exact OTSL targets, calibrated to the ParseBench ground-truth distribution (median 4 columns, hierarchical headers, row and column spans, multi-line cells). No text-stage data; no benchmark data.
  • The table stage prompt is "\nTable Recognition:\n" and the output is OTSL (<fcel>, <ecel>, <lcel>, <ucel>, <xcel>, <nl>), identical to the base model.

Serving

Drop-in replacement for the base model in the KDL pipeline:

vllm serve CloudRaker/rakedoc-nano --served-model-name kdl-frontier-parser-nano \
  --max-model-len 8192 --gpu-memory-utilization 0.85 --max-num-seqs 24 \
  --trust-remote-code --limit-mm-per-prompt '{"image":1}'

Stage prompts, sampling parameters, and post-processing are those of the ParseBench kdl_frontier_nano pipeline.

Limitations

  • Charts (64) and layout detection are unchanged from the base model; they were out of scope.
  • Underline, highlight, and code-block marks are never emitted by the pipeline.
  • Evaluated on English-heavy financial and insurance documents plus the ParseBench mix; other domains are untested.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
14b315b

0 моделей