/ Модель

Характеристики

Контекст
8 196 токенов
Размер весов
4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Опубликована
12 сен 2025

MonkeyOCR-pro-1.2B-Vision-GGUF

Изображение и текст → текст11 профессий

Мультимодальная GGUF-модель на базе Qwen2.5-VL для OCR, анализа структуры документов и ответов на вопросы по изображениям.

386скачиваний за 30 дней3лайкавеса обновлены12 сен 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

MonkeyOCR-pro-1.2B Vision GGUF — мультимодальная модель для распознавания текста и анализа документов по изображениям. Репозиторий подготовлен для использования в формате GGUF, включая совместимые с LM Studio файлы. В основе указана архитектура Qwen2.5-VL; модель содержит около 1,2 млрд параметров, использует квантование Q8_0 и поддерживает контекст до 8 196 токенов.

Модель принимает изображения и текст, извлекает текст из документов, анализирует структуру страниц, таблицы и форматирование, а также отвечает на вопросы об изображениях в диалоге. В карточке заявлена поддержка английского, китайского и других языков. Указанные сценарии — OCR и разбор документов; фактическая точность зависит от качества изображения и языка. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • извлечение текста со сканов и фотографий документов
  • анализ структуры страниц и форматирования
  • извлечение содержимого таблиц из документов
  • ответы на вопросы по изображению документа
  • обсуждение содержимого изображений в диалоге

Ограничения

В карточке не приведены независимые оценки точности или поддерживаемый перечень языков; заявлена поддержка английского, китайского и других языков. Качество распознавания может зависеть от качества изображения и языка документа.

Для каких профессий подходит11

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

MonkeyOCR-pro-1.2B Vision GGUF

A high-performance vision-language model specialized for Optical Character Recognition (OCR) and document analysis. This repository contains GGUF format models optimized for both general use and LM Studio compatibility.

🎯 Model Capabilities

  • ✅ Vision-Language Processing: Understand and process images with text
  • ✅ OCR (Optical Character Recognition): Extract text from images and documents
  • ✅ Document Structure Analysis: Analyze layout, tables, and formatting
  • ✅ Multi-turn Conversations: Chat about images and documents
  • ✅ Multiple Languages: Support for English, Chinese, and more

📁 Files Included

Standard GGUF Models

  • MonkeyOCR-pro-1.2B-Recognition.gguf (1.26 GB) - Complete vision-enabled model
  • MonkeyOCR-pro-1.2B.gguf (1.26 GB) - Alternative version

LM Studio Optimized

  • MonkeyOCR-pro-1.2B-Text-LMStudio.gguf (1.23 GB) - Text model for LM Studio
  • mmproj-MonkeyOCR-pro-1.2B-Vision-LMStudio.gguf (1.25 GB) - Vision projection for LM Studio

🎨 LM Studio Setup (Recommended)

Step 1: Download Files

Download both LM Studio files:

  • MonkeyOCR-pro-1.2B-Text-LMStudio.gguf
  • mmproj-MonkeyOCR-pro-1.2B-Vision-LMStudio.gguf

Step 2: Install in LM Studio

  1. Copy both files to your LM Studio models directory
  2. Keep them in the same folder
  3. Open LM Studio and load the text model: MonkeyOCR-pro-1.2B-Text-LMStudio.gguf
  4. LM Studio will automatically detect and load the vision projection

Step 3: Enable Vision

  1. Start a new chat session
  2. Look for the camera/image icon in the chat interface
  3. Upload an image and start asking questions!

🔧 Usage Examples

OCR Tasks

User: [uploads image] Extract all text from this document
Assistant: I can see text in the image. Here's what I extracted:
[Provides accurate OCR results]

Document Analysis

User: [uploads form] Analyze the structure of this form
Assistant: This appears to be a [form type] with the following structure:
- Header section with title
- Main content area with fields for...
- Footer with signature area

Vision Q&A

User: [uploads chart] What does this chart show?
Assistant: This chart displays [detailed analysis of the visual content]

⚙️ Technical Specifications

  • Architecture: Qwen2.5-VL (qwen2vl)
  • Model Size: 1.2B parameters
  • Quantization: Q8_0 (8-bit)
  • Context Length: 8,196 tokens
  • Vision Encoder: CLIP-based projection
  • Input Support: Images, text, multimodal conversations

🔧 Configuration Details

The model includes proper vision token configuration:

  • Image Token ID: 151655 (<|image_pad|>)
  • Video Token ID: 151656 (<|video_pad|>)
  • Vision Start: 151652 (<|vision_start|>)
  • Vision End: 151653 (<|vision_end|>)

🚀 Performance

  • Fast inference with Q8_0 quantization
  • High accuracy OCR capabilities
  • Efficient memory usage (~1.2-1.3 GB VRAM)
  • Multi-language support for global documents

📝 License

Apache 2.0 - Free for commercial and research use

🙏 Credits

Based on the MonkeyOCR model architecture with optimizations for GGUF format and LM Studio compatibility.


For best vision performance, use the LM Studio optimized files! 🎯

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
b86e2ad

0 моделей