/ Модель
Каталог

Характеристики

Контекст
512 токенов
Архитектура
vision-encoder-decoder · dense
Базовая модель
trocr-hebrew-untrained
Библиотека
transformers
Опубликована
10 июл 2026

Ссылки

Hugging Face

exp21-benyehuda-frozen-noautocrop

cyttic
Изображение и текст → текст

Дообученная vision-encoder-decoder модель для распознавания текста на изображениях.

7скачиваний за 30 дней0лайковвеса обновлены10 июл 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.

Открыть конструктор бенчмарка

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

cyttic/exp21-benyehuda-frozen-noautocrop — дообученная модель cyttic на базе cyttic/trocr-hebrew-untrained для преобразования изображений с текстом в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания текста на изображениях; в метаданных задача указана как image-text-to-text, а библиотека — Transformers.

В карточке приведены результаты оценки: Loss 3.5548, CER 0.5807 и WER 0.8801. Датасет обучения и более подробные сценарии применения не описаны. Модель опубликована в формате safetensors; лицензия и поддерживаемые языки в предоставленных данных не указаны.

Сценарии применения

  • распознавание текста на изображениях
  • извлечение текста из сканов
  • оцифровка печатных документов

Ограничения

Датасет обучения не описан; приведённые CER 0.5807 и WER 0.8801 указывают на существенные ошибки распознавания. Лицензия и область применимости в предоставленных данных не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

exp21-benyehuda-frozen-noautocrop

This model is a fine-tuned version of cyttic/trocr-hebrew-untrained on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 3.5548
  • Cer: 0.5807
  • Wer: 0.8801

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 0.1
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossCerWer
6.19080.1625006.01150.80141.2601
6.03950.3250005.79860.81891.3150
5.79950.4875005.64020.87051.3725
5.52210.64100005.38880.77331.1969
5.42330.8125005.16420.75221.1461
5.14240.96150005.00160.73701.0779
4.81551.12175004.89500.70331.0162
4.67391.28200004.75450.70921.0438
4.65691.44225004.63610.70331.0566
4.53471.6250004.52910.68151.0263
4.41771.76275004.42400.67851.0201
4.35431.92300004.31830.66130.9816
3.84012.08325004.27620.65770.9867
3.77122.24350004.20290.65140.9687
3.81122.4375004.08980.64310.9642
3.79912.56400004.03880.63910.9594
3.79652.7200425003.95580.62720.9367
3.69132.88450003.87350.62230.9509
3.19253.04475003.88360.61720.9300
3.17313.2500003.84580.61870.9375
3.19483.36525003.79940.61040.9289
3.21293.52550003.73690.60150.9187
3.11323.68575003.71050.59470.9037
3.16433.84600003.65090.60280.9174
3.09994.0625003.60480.59030.8953
2.80294.16650003.65490.59310.9011
2.74884.32675003.61950.58820.8911
2.73284.48700003.60490.58530.8848
2.70704.64725003.58240.58800.8945
2.78774.8750003.57200.58390.8824
2.76864.96775003.55650.58380.8827
2.81425.0781253.55480.58070.8801

Framework versions

  • Transformers 5.12.1
  • Pytorch 2.11.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
a6bd2ec

0 моделей

    Создать бенчмарк