/ Модель

Характеристики

Контекст
8 192 токена
Архитектура
tinydoc_vlm · dense
Библиотека
transformers
Опубликована
22 июн 2026

TinyDoc-VLM-256M

Вопросы по изображениюИзображение, текст → текст3 профессии

Экспериментальная 256-миллионная vision-language модель для вопросов по документам, снятая с разработки из-за нулевого результата на OCRBench.

631скачиваний за 30 дней7лайковвеса обновлены25 сен 2026

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

TinyDoc-VLM-256M — экспериментальная компактная модель vision-language для вопросов и извлечения информации из документов, разработанная eulogik. Чекпойнт содержит 256 млн параметров и предназначен для исследовательских экспериментов с OCR и пониманием документов; карточка указывает архитектуру TinyDocVLMForConditionalGeneration. Модель принимает изображение документа и текстовый запрос, а результат формирует в текстовом виде. В карточке указана поддержка английского языка.

Чекпойнт снят с разработки и не демонстрирует пригодного качества: по README, на OCRBench он набрал 0% на 1000 примерах, а генерация вырождается даже при исходном формате запроса. Ранее публиковавшиеся оценки качества отозваны. Для практического локального извлечения данных автор рекомендует SDK TinyDoc с отдельной моделью Qwen2.5-VL, однако эти возможности не относятся к данному чекпойнту. Файлы представлены в форматах Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0.

Сценарии применения

  • эксперименты с ответами на вопросы по изображениям документов
  • исследование OCR на английских документах
  • воспроизведение оценки модели на OCRBench

Ограничения

По README, модель набрала 0% на OCRBench (n=1000) и вырождает генерацию при испытанных запросах; заявленные ранее оценки качества отозваны. Чекпойнт снят с разработки и сохранён для воспроизводимости и исследований.

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

TinyDoc-VLM-256M

⚠️ RETIRED RESEARCH CHECKPOINT — no performance claims

Measured 0.0% on OCRBench (n=1,000, all 10 categories) in 2026-09. The model degenerates under every prompt tried, including the exact training format ("Extract document information: <image>"), with or without repetition controls; the LoRA adapter is worse (literal degeneration). The checkpoint is kept for reproducibility and research only.

Earlier marketing numbers for this model (DocVQA ~65%, OCRBench ~60%) were never measured and have been withdrawn by the project. Evidence & artifacts: evaluation/phase0/results/ocrbench_256m_full.* and docs/BENCHMARKS.md in the GitHub repo.

What actually ships

The working product of this project is the local grounded-extraction SDK (pip install tinydoc) — schema-valid JSON, evidence bounding boxes, confidence scores — running on free ollama:qwen2.5vl:3b, no API key:

SystemSROIE field F1 (n=100, same scorer)
TinyDoc pipeline (qwen2.5vl:3b)0.870
PP-OCR + heuristics (free competitor)0.376
Tesseract + regex0.227

All numbers recompute from committed artifacts (python3 evaluation/phase0/recompute_scores.py).

from tinydoc.pipeline import ReceiptPipeline

pipe = ReceiptPipeline("auto")           # free Ollama engine
doc = pipe.extract("receipt.jpg")
print(doc.fields, doc.schema_valid, doc.confidence)
for fr in doc.field_results:
    print(fr.name, fr.value, fr.evidence["quote"], fr.evidence["bbox"])

About this checkpoint (kept for research)

Experimental 256M-parameter document VLM (2026-06 run), legacy 384px pipeline:

Image (384×384) → SigLIP-B/16 (93M) → PixelShuffle compressor ×3 (→64 tokens)
→ SmolLM2-135M decoder (30 layers, GQA, 8192 ctx) → multi-task heads

Verified facts (not claims):

  • Vision tower is alive (features std≈1, cross-image cosine −0.57) — the dead-tower defect was specific to the separate 768px run.
  • Processor image_token_id mismatch was fixed in evaluation code; it does not explain the failures.
  • A 768px retrain (TinyDoc-VLM-768-checkpoints) was abandoned: vision tower dead at init.

Loading (research use)

from tinydoc_vlm import TinyDocVLMForConditionalGeneration, TinyDocVLMProcessor
model = TinyDocVLMForConditionalGeneration.from_pretrained("eulogik/TinyDoc-VLM-256M")
processor = TinyDocVLMProcessor()

Links

ResourceURL
GitHub (eval artifacts, SDK, decision record)github.com/eulogik/TinyDoc-VLM
PyPI SDKpypi.org/project/tinydoc
LoRA adapter (also retired)eulogik/TinyDoc-VLM-LoRA
Benchmark write-up (measured only)docs/BENCHMARKS.md

License

Apache 2.0. Free for commercial use.


Built by eulogik

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура tinydoc_vlm неизвестна transformers в образе рантайма.

Класс архитектуры
TinyDocVLMForConditionalGeneration
Ревизия весов
064fedd

0 моделей