/ Модель
Каталог

Характеристики

Контекст
512 токенов
Архитектура
vision-encoder-decoder · dense
Библиотека
transformers
Опубликована
14 июл 2026

Ссылки

Hugging Face

heb-verifier17-connected

cyttic
Изображение и текст → текст

Модель VisionEncoderDecoder для задач преобразования изображения и текста в текст, обученная с нуля; конкретное применение не раскрыто.

10скачиваний за 30 дней0лайковвеса обновлены14 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/heb-verifier17-connected — модель архитектуры VisionEncoderDecoderModel, обученная с нуля и опубликованная в формате safetensors. По метаданным она предназначена для преобразования изображения и текста в текст; конкретное назначение модели в карточке не раскрыто.

В README приведены результаты оценки: loss 0,0546, CER 0,0209 и exact match 0,9619. Датасет и сценарий оценки не описаны, поэтому эти показатели не позволяют определить качество на других данных. Модель использует библиотеку Transformers и поддерживает обработку изображений.

Лицензия, языки, размер и длина контекста в предоставленных данных не указаны.

Сценарии применения

  • Преобразование изображения и текстового запроса в текстовый ответ

Ограничения

Назначение и обучающий датасет не описаны; приведённые метрики нельзя интерпретировать без сведений о наборе оценки. Лицензия и поддерживаемые языки не указаны в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

heb-verifier17-connected

This model was trained from scratch on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0546
  • Cer: 0.0209
  • Exact: 0.9619

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: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 32
  • 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: 0.05
  • num_epochs: 3
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossCerExact
0.13570.37295000.12820.05030.9104
0.10840.745710000.08560.03620.9384
0.04781.118615000.07320.02600.9518
0.06251.491420000.05420.02150.9630
0.05671.864325000.05670.02200.9597
0.03362.237130000.04730.02090.9619
0.04272.610035000.03340.01640.9720
0.03542.982840000.03700.01530.9709
0.03543.040230.05460.02090.9619

Framework versions

  • Transformers 5.13.1
  • Pytorch 2.11.0+cu128
  • Datasets 5.0.0
  • 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
4e57940

0 моделей

    Создать бенчмарк