/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
AGPL 3.0
Архитектура
qwen2_vl · dense
Базовая модель
KDL-Frontier-Parser-nano
Опубликована
17 авг 2026

florin-parser-nano

Изображение и текст → текст7 профессий

Компактная визуально-языковая модель для распознавания и разбора документов с сохранением разметки Markdown и структуры таблиц.

201скачиваний за 30 дней5лайковвеса обновлены4 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.

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • llamaindex/ParseBench

    score · выше — лучше

    Результат

    77,5

    text_content 87,85table 85,87text_formatting 76,27
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

florin-parser-nano — компактная визуально-языковая модель на архитектуре Qwen2-VL, разработанная Florin Inc. как LoRA дообучение KDLAI/KDL-Frontier-Parser-nano от KoreaDeep. Модель принимает изображения документов и распознаёт их содержимое, формируя текст с разметкой Markdown для выделений, зачёркиваний и структуры таблиц. В карточке указаны база размером 1,2 млрд параметров и обучение на парах фрагментов документов и Markdown; обучающие примеры включали страховые документы, синтетические изображения и материалы на китайском и деванагари.

Модель предназначена для OCR и разбора документов, где важно сохранить визуальное форматирование и структуру таблиц. В описанном тестировании ParseBench она показала средний результат 77,50 на полном корпусе из 2 079 документов; авторы также сообщают о компромиссе между форматированием и распознаванием диаграмм. Заявленные результаты на подмножестве страховых документов получены до последней коррекции и ожидают повторного измерения. Поддерживаемые языки по метаданным — английский, китайский и хинди. Модель распространяется по лицензии AGPL-3.0.

Сценарии применения

  • распознавание текста на сканах документов
  • преобразование фрагментов документов в Markdown с форматированием
  • извлечение таблиц из изображений документов
  • разбор страховых документов и регуляторных подач
  • распознавание выделений и зачёркнутого текста в документах

Ограничения

В версии v3 авторы указывают снижение результата на диаграммах при улучшении форматирования; повторная оценка страхового поднабора после исправлений ожидает проведения. Заявленные показатели получены на ParseBench и могут не отражать качество на других типах документов.

Для каких профессий подходит7

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

florin-parser-nano (fine-tune of KDL-Frontier-Parser-nano)

A LoRA fine-tune of KDLAI/KDL-Frontier-Parser-nano (KoreaDeep, 1.2B, Qwen2-VL architecture) that teaches the model to emit inline formatting — **bold**, ~~strikethrough~~, <sup>/<sub> — during text recognition, with the production prompt unchanged. Full attribution to KoreaDeep for the base model and pipeline design. License is AGPL-3.0, inherited from the base.

ParseBench results (full corpus, 2,079 documents, all five dimensions measured)

Correction, 2026-08-21. Maintainer review of ParseBench PR #99 found two defects in our markdown emission (list markers swallowed into bold spans; a heading gate that promoted short sentences ending in .). Both were fixed and both full runs were replayed on identical stored model output with the fixed emission. The table below shows the corrected numbers. Prior reported figures: Overall 76.95/76.89, mean 76.92; Semantic Formatting 71.71/71.66. Net effect of the correction: Semantic Formatting −1.04, Charts −0.14, Content Faithfulness +0.03, Tables and Visual Grounding unchanged.

DimensionThis modelBase (published)Base (same environment)
Tables86.1485.5685.76
Charts65.2563.4163.69
Content Faithfulness87.3887.1987.18
Semantic Formatting70.6666.8152.42
Visual Grounding74.1578.8474.19
Overall76.7276.3672.65

Confirmation-run variance: two independent full runs: 76.72 and 76.66 (|Δ| = 0.06 overall; max per-dimension |Δ| = 0.12). Reported figure: mean 77.50. Insurance-document subset (384 docs incl. SERFF rate filings, methodology in repo): 77.60 vs 74.77 for the base pipeline measured identically — measured before the 2026-08-21 emission correction; subset re-measurement pending, expect a small downward revision in its formatting component.

The honest comparison is the same-environment column: +4.04 overall head-to-head (mean of two runs; run 1 alone is +4.07). The published-number comparison (+0.33 on the mean) crosses evaluation environments and is reported with that caveat. The formatting score (76.27 mean) exceeds the best open-weight formatting entry on the public board (69.30).

Training

  • Data: 6,678 region-crop→markdown pairs. 2,165 real fragments from SEC EDGAR insurance-carrier filings (bold ground truth derived from filing HTML DOM), 3,313 synthetic rendered fragments (sole source of strikethrough/superscript/subscript; incl. CJK newsprint and Devanagari textures), 1,200 no-styling negatives to teach restraint.
  • Method: LoRA r16 on language attention+MLP only; vision tower and projector frozen; completion-only loss; prompt byte-identical to the production pipeline ("\nText Recognition:\n"). 2 epochs, lr 5e-5, bf16, single H100, ~50 minutes.
  • Why prompting was not enough: four measured prompt variants all scored at or below control — the base model emits markup when asked but marks the wrong spans, and degrades monotonically with any prompt perturbation. Details in the linked method note.

Reproduction

Everything (training loop, data generators, EDGAR harvester, evaluation harness, per-iteration logs) is at: https://github.com/ammoman21/parsebench-open-weight-sota

Changelog

  • 2026-09-04 (v3, weights updated): merged a table-structure LoRA (r16, language layers, vision frozen; trained on synthetic OTSL table renders — no benchmark data) and added one emission rule (whole-line bold). Overall 76.69 → 77.50 (mean of 4 full-corpus runs, spread 0.107). Disclosed trade: Charts −1.9, Semantic Formatting +5.6. Weights sha256 7214d61d…; the adapter ships in adapter/ for lineage. Prior weights remain in git history.
  • 2026-08-21 (v2): emission defect fixes after maintainer review (76.92 → 76.69).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
61cf54a

0 моделей