/ Модель

Характеристики

Контекст
512 токенов
Параметры
386 млн
Лицензия
Apache 2.0
Архитектура
udop · dense
Библиотека
transformers
Опубликована
19 мар 2026

MarkushGrapher-2

Описание изображенийИзображение → текст3 профессии

Мультимодальная модель Docling Project распознаёт структуры Маркуша и другие химические структуры на патентных изображениях и преобразует их в CXSMILES или SMILES.

103скачиваний за 30 дней5лайковвеса обновлены23 мар 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 «Распознавание текста» — 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.

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

MarkushGrapher-2 — мультимодальная модель Docling Project для распознавания химических структур Маркуша на изображениях патентных документов и преобразования их в представление CXSMILES с таблицей заместителей. Модель обрабатывает изображение через энкодер Swin-B ViT и модуль ChemicalOCR, а затем объединяет визуальные признаки, распознанный текст и сведения о расположении элементов с помощью архитектуры UDOP на базе T5. Декодер пошагово формирует текстовое представление структуры.

Модель предназначена для извлечения химических структур и заместителей из патентных изображений, а также для распознавания обычных молекулярных структур в SMILES. В README описано двухэтапное обучение на парах изображение–SMILES и примерах структур Маркуша. Метаданные указывают 386,3 млн параметров и контекст 512 токенов; README приводит отличающуюся оценку в 831 млн параметров. Для применения указана библиотека Transformers и лицензия Apache-2.0.

Сценарии применения

  • извлечение структур Маркуша из изображений патентов
  • преобразование химических схем в CXSMILES
  • распознавание заместителей и формирование их таблицы
  • распознавание молекулярных структур в SMILES
  • автоматизация анализа химических патентных документов

Ограничения

Качество распознавания зависит от изображения и benchmark; результаты в README показывают, что точность различается между наборами данных и задачами. В документации расходятся оценки общего числа параметров: метаданные указывают 386,3 млн, README — 831 млн.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MarkushGrapher-2 is an end-to-end multimodal model for recognizing chemical structures from patent document images. It jointly encodes vision, text, and layout information to convert Markush structure images into machine-readable CXSMILES representations.

Overview

MarkushGrapher-2 is a transformer-based model that integrates two complementary encoders:

  • A Vision Encoder (Swin-B ViT), pretrained for Optical Chemical Structure Recognition (OCSR) (taken from Model: MolScribe*)
  • A Vision-Text-Layout (VTL) Encoder (T5-base), trained for Markush feature extraction

The model also includes ChemicalOCR, a dedicated OCR module fine-tuned for chemical images, enabling fully end-to-end processing without external OCR dependencies.

*MolScribe: https://github.com/thomas0809/MolScribe

Architecture

The input image is processed through two parallel pipelines:

  1. Vision pipeline: The image is encoded by the OCSR vision encoder and projected via an MLP.
  2. VTL pipeline: The image is passed through ChemicalOCR to extract text and bounding boxes, which are then fused with image patches in the VTL encoder.

The outputs of both pipelines are concatenated and fed to a text decoder that autoregressively generates a CXSMILES sequence describing the Markush backbone and a substituent table.

Two-Stage Training Strategy

  • Phase 1 (Adaptation): The Vision Encoder is frozen while the projector and text decoder are trained on 243K real-world image-SMILES pairs for standard molecular structure recognition.
  • Phase 2 (Fusion): The VTL encoder is introduced and trained jointly with the text decoder on 235K synthetic and 145K real-world Markush structure samples for CXSMILES and substituent table prediction.

Performance

Markush Structure Recognition (CXSMILES Accuracy)

BenchmarkMarkushGrapher-2MolParser-BaseMolScribeMarkushGrapher-1DeepSeek-OCRGPT-5
M2S (103)5639213803
USPTO-M (74)55307320-
WildMol-M (10K)48.038.128.1-1.9-
IP5-M (1K)53.747.722.3-0.0-

Molecular Structure Recognition (SMILES Accuracy)

BenchmarkMarkushGrapher-2MolParser-BaseMolScribeMolGrapher
WildMol (10K)68.476.966.445.5
JPO (450)71.078.976.267.5
UOB (5.7K)96.691.887.494.9
USPTO (5.7K)89.893.093.191.5

Model Details

  • Parameters: 831M total (744M trainable)
  • Vision Encoder: Swin-B ViT (from MolScribe, frozen during Phase 2)
  • VTL Encoder/Decoder: T5-base architecture with UDOP fusion
  • OCR Module: ChemicalOCR (256M parameters, based on SmolDocling)
  • Input: Patent document image crop (1024x1024)
  • Output: CXSMILES sequence + substituent table

Usage

# Load the model checkpoint
from transformers import AutoModel

model = AutoModel.from_pretrained("docling-project/MarkushGrapher-2")

For full inference pipeline usage, see the MarkushGrapher repository.

Datasets

Training and evaluation datasets are available at docling-project/MarkushGrapher-2-Datasets.

Citation

@inproceedings{strohmeyer2026markushgrapher2,
  title     = {MarkushGrapher-2: End-to-end Multimodal Recognition of Chemical Structures},
  author    = {Strohmeyer, Tim and Morin, Lucas and Meijer, Gerhard Ingmar and Weber, Valery and Nassar, Ahmed and Staar, Peter W. J.},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2026}
}

License

This model is released under the Apache 2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MarkushgrapherForConditionalGeneration
Ревизия весов
2e1091d

0 моделей