/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
5,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
2 мая 2026

Qwen3.5-ocr-jp-2b

Изображение и текст → текст9 профессий

Мультимодальная модель на базе Qwen3.5-2B для OCR японских и английских документов с разметкой текста, структуры и координат блоков.

291скачиваний за 30 дней2лайкавеса обновлены4 мая 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.

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

Qwen3.5-OCR-JP-2B — японско-английская мультимодальная модель для распознавания текста и структуры документов, разработанная на базе Qwen3.5-2B. Она преобразует изображения документов в HTML-блоки с координатами ограничивающих рамок и метками, а схема вывода совместима с Chandra OCR 2.

Модель дообучена на документах с японскими особенностями, включая рукописный и вертикальный текст, а также фуригану, которую она передаёт разметкой HTML5 ruby. Она предназначена для OCR документов на японском и английском языках и рассчитана на использование с фиксированным промптом.

По результатам приведённых тестов модель показывает близкое к Chandra OCR 2 качество: например, на VJRODa её CER составляет 7,3%, а BLEU — 94,6. Репозиторий содержит веса safetensors, для запуска указаны Transformers и vLLM. Лицензия — Apache-2.0.

Сценарии применения

  • распознавание японского текста на сканах и фотографиях
  • извлечение текста из документов с вертикальной японской вёрсткой
  • распознавание японского рукописного текста
  • сохранение фуриганы в HTML-разметке ruby
  • извлечение структуры документа и координат текстовых блоков
  • распознавание английского текста в документах

Ограничения

Модель настроена на фиксированный промпт и не предназначена для других задач или произвольных инструкций. Обучение ориентировано преимущественно на японский и английский языки; поддержка других языков ограничена.

Для каких профессий подходит9

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

Qwen3.5-OCR-JP-2B

Qwen3.5-OCR-JP-2B is a Japanese/English Vision-Language OCR model built on top of Qwen3.5-2B. Output schema is compatible with Chandra OCR 2 (datalab-to/chandra) — HTML layout blocks with bounding boxes and labels.

Focus

Training data emphasizes the following Japanese document features:

  • Ruby annotations — emitted as HTML5 ruby markup, e.g. <ruby>漢字<rt>かんじ</rt></ruby>
  • Japanese handwriting, vertical writing

Quickstart

vLLM (recommended)

import base64, io
from PIL import Image
from vllm import LLM, SamplingParams

PROMPT = "OCR this image as HTML layout blocks with bbox and label."

llm = LLM(
    model="ebinan92/Qwen3.5-ocr-jp-2b",
    dtype="bfloat16",
    max_model_len=12288,
    limit_mm_per_prompt={"image": 1},
    trust_remote_code=True,
)
sampling = SamplingParams(temperature=0.0, top_p=0.1, max_tokens=8000)

image = Image.open("page.png").convert("RGB")
buf = io.BytesIO()
image.save(buf, format="PNG")
b64 = base64.b64encode(buf.getvalue()).decode()

messages = [{
    "role": "user",
    "content": [
        {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}},
        {"type": "text", "text": PROMPT},
    ],
}]
print(llm.chat(messages, sampling_params=sampling)[0].outputs[0].text)

Requires vllm>=0.19.1 and transformers>=5.5.1.

transformers

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForImageTextToText

PROMPT = "OCR this image as HTML layout blocks with bbox and label."

ckpt = "ebinan92/Qwen3.5-ocr-jp-2b"
processor = AutoProcessor.from_pretrained(ckpt)
model = AutoModelForImageTextToText.from_pretrained(
    ckpt, dtype=torch.bfloat16, device_map="auto"
)

image = Image.open("page.png").convert("RGB")
messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": PROMPT},
    ],
}]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

out = model.generate(**inputs, max_new_tokens=8000, do_sample=False)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

Benchmarks

BenchmarkMetricchandra-ocr-2Qwen3.5-ocr-jp-2bsarashina2.2-ocr
olmOCR-benchAccuracy ↑85.9†82.8—
VJRODa※CER % ↓7.27.312.0
VJRODa※BLEU ↑94.294.691.4
JaWildTextCER % ↓7.686.3347.78

sarashina2.2-ocr's olmOCR-bench overall is omitted because its HF card does not report the baseline row.

※ VJRODa is evaluated on 92 / 100 samples (8 PDFs are NDL WARP-restricted and unavailable).
† olmOCR-bench score for chandra-ocr-2 is taken from the official HF card.

JSONLchandra-ocr-2†Qwen3.5-ocr-jp-2b
arxiv_math90.285.7
table_tests89.988.1
baseline99.699.1
headers_footers92.590.3
old_scans_math89.381.9
long_tiny_text92.192.3
multi_column83.579.6
old_scans49.845.4

Limitations

  • Works only with the single fixed prompt above. It is not tuned for other tasks or free-form instructions.
  • Trained primarily on Japanese and English. Coverage of other languages (Chinese, Korean, etc.) is incidental.

License

Apache 2.0.

This model is derived from Qwen3.5-2B, trained on independently constructed datasets. No outputs or weights from datalab-to/chandra-ocr-2 (or any other Chandra release) were used.

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
dc58acc

0 моделей