/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

exp21-trocr-hebrew-directfit-frozen

cyttic
Изображение и текст → текст3 профессии

Дообученная модель TrOCR для распознавания текста на изображениях, ориентированная на иврит.

18скачиваний 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-trocr-hebrew-directfit-frozen — дообученная модель семейства TrOCR, разработанная на основе cyttic/trocr-hebrew-untrained. Это архитектура vision-encoder-decoder для преобразования изображения текста в текст, предназначенная для распознавания текста на изображениях, в частности на иврите, что следует из названия базовой модели.

В карточке приведены метрики на оценочном наборе: loss 4,1024, CER 0,7121 и WER 1,0086. Эти результаты указывают на существенные ошибки распознавания; качество для практического применения следует оценивать на целевых данных. Обучающий набор и конкретные сценарии применения не описаны. Модель опубликована в формате safetensors для Transformers; сведения о лицензии отсутствуют в предоставленных данных.

Сценарии применения

  • распознавание иврита на изображениях
  • извлечение текста из сканов на иврите
  • распознавание печатного текста на иврите в документах

Ограничения

На оценочном наборе указаны CER 0,7121 и WER 1,0086, что свидетельствует о низком качестве распознавания; состав набора и условия оценки не раскрыты. Обучающие данные и лицензия в предоставленных материалах не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиIV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

exp21-trocr-hebrew-directfit-frozen

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: 4.1024
  • Cer: 0.7121
  • Wer: 1.0086

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: 0.03
  • num_epochs: 1

Training results

Training LossEpochStepValidation LossCerWer
5.35210.042425005.36060.82741.0511
5.04920.084850005.16240.80911.0956
4.94900.127275005.07160.78771.0749
4.81830.1696100004.99560.78021.0348
4.73780.2120125004.90020.77891.0751
4.60100.2544150004.83220.77631.0630
4.54150.2968175004.75340.77161.0684
4.49950.3392200004.70090.77031.0509
4.31170.3816225004.62180.75951.0469
4.25980.4240250004.57110.75911.0511
4.10770.4664275004.51050.75561.0433
4.04380.5088300004.46630.76231.0645
3.92840.5512325004.41760.74191.0414
3.95390.5936350004.35950.73561.0306
3.82240.6360375004.31580.72941.0271
3.77500.6784400004.28670.73201.0349
3.68780.7208425004.23690.72191.0154
3.72420.7632450004.20430.71651.0134
3.62010.8056475004.17290.72151.0191
3.57670.8480500004.15470.71671.0196
3.60100.8904525004.12610.71431.0100
3.51070.9328550004.12140.71381.0048
3.59040.9752575004.10510.71361.0104
3.45041.0589624.10240.71211.0086

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
6e7e4c4

0 моделей

    Создать бенчмарк