/ Модель
Каталог

Характеристики

Контекст
512 токенов
Архитектура
vision-encoder-decoder · dense
Базовая модель
exp2-frozen-benyehuda-cont
Библиотека
transformers
Опубликована
3 сен 2026

Ссылки

Hugging Face

trocr-bigram5-BY

cyttic
Изображение и текст → текст5 профессий

Дообученная модель VisionEncoderDecoder, преобразующая изображения с текстом в текст; в карточке указаны метрики CER 0.0292 и WER 0.0838.

57скачиваний за 30 дней1лайквеса обновлены3 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 «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/trocr-bigram5-BY — дообученная модель cyttic/exp2-frozen-benyehuda-cont для преобразования изображений с текстом в текст. Она использует архитектуру VisionEncoderDecoder и библиотеку Transformers; веса представлены в формате safetensors. По названию модели можно предположить связь с распознаванием биграмм и белорусским языком, однако README не подтверждает назначение суффикса BY или языковую поддержку.

В карточке приведены результаты оценки: Loss 0.5955, CER 0.0292 и WER 0.0838. Датасет, сценарии применения, ограничения и условия лицензии не описаны, поэтому оценить качество за пределами указанного набора данных нельзя.

Сценарии применения

  • распознавание текста на изображениях
  • извлечение текста из сканов и фотографий

Ограничения

Датасет и целевые языки не указаны, поэтому языковую поддержку и обобщение на другие данные установить нельзя. Условия лицензии и подробные ограничения применения в карточке не описаны.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделейI.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 953моделиII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

trocr-bigram5-BY

This model is a fine-tuned version of cyttic/exp2-frozen-benyehuda-cont on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.5955
  • Cer: 0.0292
  • Wer: 0.0838

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: 2e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • 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: 4650
  • num_epochs: 3

Training results

Training LossEpochStepValidation LossCerWer
4.03140.129020001.71020.19730.3994
2.95550.258140001.48640.14150.3105
2.89020.387160001.26450.10400.2529
2.53350.516180001.14810.08410.2173
2.21470.6452100001.07770.07720.2002
2.19870.7742120000.99460.06660.1747
2.12940.9032140000.92880.06050.1616
1.72001.0323160000.87470.05410.1501
1.50091.1613180000.84300.05000.1391
1.49391.2903200000.79900.04510.1266
1.39241.4194220000.77790.04260.1194
1.38071.5484240000.74680.04310.1200
1.50151.6774260000.71130.03550.1034
1.35851.8065280000.69080.03500.1011
1.36971.9355300000.67450.03590.1016
1.01352.0645320000.66200.03460.0994
0.99662.1935340000.64560.03490.0985
0.97142.3226360000.63640.03240.0934
0.96322.4516380000.62260.03070.0886
0.92632.5806400000.61290.03030.0887
1.06492.7097420000.60510.02980.0863
1.02342.8387440000.59830.02850.0823
1.00242.9677460000.59550.02930.0839
0.88273.0465000.59550.02920.0838

Framework versions

  • Transformers 5.15.0
  • Pytorch 2.11.0+cu128
  • Datasets 5.0.1
  • 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
a98c0b8

0 моделей

    Создать бенчмарк