/ Модель

Характеристики

Контекст
131 072 токена
Параметры
318 млн
Лицензия
CC BY-SA 4.0
Архитектура
paddleocr_vl · dense
Базовая модель
PaddleOCR-VL-1.6
Библиотека
transformers
Опубликована
29 сен 2026

PaddleOCR-VL-1.6-Bangla

Генерация текстаТекст → текст9 профессий

Дообученная PaddleOCR-VL-1.6 для распознавания печатных документов на бенгальском и английском языках с извлечением текста и координат строк.

607скачиваний за 30 дней0лайковвеса обновлены29 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 «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

PaddleOCR-VL-1.6-Bangla — дообученная Hasanmdsadadul на базе PaddlePaddle/PaddleOCR-VL-1.6 модель для распознавания печатных документов на бенгальском и английском языках. Она принимает изображения и возвращает извлечённый текст; в режиме Spotting также выдаёт строки текста с координатами ограничивающих рамок. Модель предназначена для сканов и изображений счетов, выписок, форм, писем и книг. Архитектура PaddleOCR-VL — мультимодальная модель с плотными весами, около 318,2 млн параметров и контекстом до 131 072 токенов. По оценке авторов, на тестовых наборах печатного текста модель существенно снижает частоту ошибок относительно базовой версии; формат запросов и ответов совместим с базовой моделью. Выпущена как объединённые веса, LoRA-адаптер и версия GGUF. Лицензия — CC BY-SA 4.0.

На рукописном тексте качество заметно ниже: около 31% ошибок на символ на отложенных данных, поэтому модель для него не рекомендуется. Для отдельных слов из реальных документов указана частота ошибок около 10%; тестирование на размеченном наборе реальных деловых документов не проводилось. Извлечённые суммы и даты следует проверять перед использованием.

Сценарии применения

  • распознавание печатного бенгальского текста на сканах
  • извлечение текста и координат строк со страниц документов
  • распознавание английских счетов и форм
  • извлечение сумм и дат из деловых документов
  • оцифровка писем и книг на бенгальском языке

Ограничения

Для рукописного текста частота ошибок составляет около 31% на символ, а для отдельных слов из реальных документов — около 10%; модель не рекомендуется для рукописей. Оценка не проводилась на размеченном наборе реальных деловых документов, поэтому суммы и даты нужно проверять.

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

PaddleOCR-VL-1.6 Bangla

A Bangla fine-tune of PaddleOCR-VL-1.6 for printed Bangla and English documents.

Highlights

  • Accurate printed Bangla: under 1% character error on held-out printed words, against 88% for the base model.
  • Full-page reading with boxes: every line of a page with its bounding box, at 0.15% character error on held-out Bangla pages.
  • Drop-in replacement: the same prompts and output format as the base model, released as merged weights, a 24 MB LoRA adapter, and GGUF for llama.cpp.

Model details

Base modelPaddlePaddle/PaddleOCR-VL-1.6
MethodLoRA (rank 16, alpha 32) on the language model's attention and MLP projections; vision encoder unchanged
LanguagesBangla, English
TasksOCR: text of a cropped line or region; Spotting: every line of a page with its bounding box
Trainingtext lines and full pages; the released checkpoint was selected after 650,211 training examples
Formatsmerged weights (safetensors, BF16), PEFT adapter, GGUF (merged model and adapter)
LicenseCC BY-SA 4.0

Evaluation

Character error rate (CER) on held-out test sets never used in training; lower is better. Each line is read independently with greedy decoding.

Test setBase modelThis model
Synthetic business documents, clean2.31%0.00%
Synthetic business documents, scanned5.59%0.00%
Unseen fonts, clean3.81%0.03%
Unseen fonts, scanned13.51%1.24%
Printed words (IIIT Mozhi, test split)87.74%0.81%
Real-world words (figshare, test protocols)70.15%10.17%
Printed and scanned lines (arobin79)20.15%8.76%
Book lines (Bangla Wikisource, held-out books)—1.25%
Printed document lines (held-out PDFs)—2.71%
Handwritten lines (BN-HTRd, held-out writers)156.14%¹30.75%
Synthetic words (rifathridoy, test split)69.64%8.37%
Full pages with boxes, Bangla (12 pages)—0.15%
Full pages with boxes, English (6 pages)—0.12%

— not measured on the base model. ¹ The base model repeats text on many handwritten lines, so its error rate exceeds 100%.

Document pipeline. Spotting each page and then re-reading every detected row with OCR:, on 18 synthetic pages (12 Bangla, 6 English): 99.3% of words correct and all 728 amounts and dates found, against 55.1% of words for the base model alone.

Per-set results are in eval/scores.json. CER is the edit distance divided by the reference length, after Unicode NFC and whitespace normalisation.

Intended use

Text extraction from printed Bangla and English documents, including scans: statements, invoices, forms, letters and books.

Limitations

  • Handwriting: about 31% character error on held-out writers; not recommended for handwritten documents.
  • Isolated words from real-world documents: about 10% character error.
  • Evaluation scope: measured on public and synthetic test sets; not yet on a hand-labelled set of real business documents.
  • As with any OCR system, verify extracted figures before relying on them.

Usage

The model keeps the base model's two prompts:

  • OCR: with a cropped line or region returns its text.
  • Spotting: with a full page returns every line as its text followed by eight location tokens: the four corners of its box, clockwise from the top left, on a 0–1000 scale. For example: 01/07/2025 প্রারম্ভিক স্থিতি 21,11,701.00<|LOC_77|><|LOC_119|><|LOC_337|><|LOC_120|><|LOC_337|><|LOC_133|><|LOC_77|><|LOC_131|>

For best accuracy, spot the page (scaled to at most about 1.6 million pixels), then re-read each detected row with OCR:, cropped from the full-resolution page.

Transformers

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

MODEL = "hasanmdsadadul/PaddleOCR-VL-1.6-Bangla"
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
processor = AutoProcessor.from_pretrained(MODEL)
model = AutoModelForImageTextToText.from_pretrained(MODEL, dtype=torch.bfloat16).to(device).eval()

def ask(image, task, max_new_tokens=4096):
    messages = [{"role": "user", "content": [{"type": "image", "image": image}, {"type": "text", "text": task}]}]
    inputs = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_dict=True,
                                           return_tensors="pt").to(device)
    with torch.no_grad():
        out = model.generate(**inputs, max_new_tokens=max_new_tokens, do_sample=False, use_cache=True)
    return processor.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=False)

print(ask(Image.open("line.png").convert("RGB"), "OCR:", 256))
print(ask(Image.open("page.jpg").convert("RGB"), "Spotting:"))

PEFT adapter

from peft import PeftModel

base = AutoModelForImageTextToText.from_pretrained("PaddlePaddle/PaddleOCR-VL-1.6", dtype=torch.bfloat16).to(device)
model = PeftModel.from_pretrained(base, MODEL, subfolder="adapter").eval()

llama.cpp

The gguf/ folder contains the merged model (BF16), the adapter on its own, and the base model's vision projector with clip.vision.image_max_pixels set to 1,605,632, as the base model recommends for spotting. Use --special to keep the location tokens in the output. Tested with llama.cpp b10809.

llama-server -m gguf/PaddleOCR-VL-1.6-Bangla.gguf --mmproj gguf/mmproj-spotting.gguf --temp 0 --special

Alternatively, apply the adapter to the base model's GGUF from PaddlePaddle/PaddleOCR-VL-1.6-GGUF:

llama-server -m PaddleOCR-VL-1.6-GGUF.gguf --mmproj gguf/mmproj-spotting.gguf \
  --lora gguf/PaddleOCR-VL-1.6-Bangla-lora.gguf --temp 0 --special

Then send an image with Spotting: or OCR: as the text through the chat completions API.

Training data

Only public datasets and synthetic documents were used; no private documents.

SourceContentLicense
Synthetic documents (original work)Bangla and English lines and full pages rendered in Kohinoor Bangla, Bangla Sangam MN, Bangla MN, Noto Sans Bengali, Kalpurush, November Bangla Traditional, Baloo Da 2, Nikosh, SolaimanLipi, AdorshoLipi, Mukti, Lohit, Sagar, Hind Siliguri, Anek Bangla, Mina, Atma and Galadaoriginal work
rifathridoy/bengali-ocr-syntheticsynthetic Bangla words in 100+ fontsCC BY 4.0
Synthetic Printed Words for Bangla OCR (figshare)synthetic words in 24 fontsCC BY 4.0
BN-HTRdhandwritten Bangla lines and words from 150 writersCC BY 4.0
OCR-Bench1000-Bengalisynthetic Bangla linesMIT
Bangla Wikisourcelines of proofread book scans, matched to their texttext CC BY-SA 4.0; scans public domain or freely licensed
IIIT Hyderabad Mozhi v0.5 (Bengali)real printed Bangla wordsnot stated
MdBayazid01/Bangla_OCR, rupomkhondaker/Bangla_OCR_Hand_writing, swapnil7777/bangla-ocr-dataset, sahil74/bangla-ocr-1000small line datasetsnot stated
arobin79/bangla-ocr-validation_data_printedevaluation only—

Sources marked "not stated" publish no license. They were used in good faith, and their owners may request removal.

License

The model weights are released under CC BY-SA 4.0, as required by the share-alike license of the Wikisource text used in training. The base model, PaddleOCR-VL-1.6, is licensed under Apache 2.0 by PaddlePaddle; its license is included as LICENSE-PaddleOCR-VL-1.6.

Acknowledgements

PaddlePaddle for PaddleOCR-VL-1.6, and the creators of the datasets listed above.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
PaddleOCRVLForConditionalGeneration
Ревизия весов
1429249

0 моделей