/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
10 сен 2026

qwen3-vl-8b-hebrew-v20a-merged

Изображение и текст → текст

Мультимодальная модель на базе Qwen3-VL-8B для транскрипции рукописей на иврите и связанных языках с привязкой текста к областям изображения.

117скачиваний за 30 дней0лайковвеса обновлены5 окт 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-VL-8B Hebrew v2.0a — дообученная мультимодальная модель isaacmg для чтения рукописей на еврейском письме. Она основана на Qwen/Qwen3-VL-8B-Instruct: LoRA-адаптеры языковых слоёв и визуального энкодера объединены с базовыми весами. Модель принимает изображения страниц и текстовые инструкции, а в ответ транскрибирует рукописный текст на иврите, арамейском и иудео-арабском, включая документальные фрагменты Каирской генизы и религиозные или талмудические рукописи.

Помимо транскрипции, модель связывает текст с областью изображения: находит фразу на странице, читает текст из заданной области или возвращает строки страницы с координатами рамок. В README версия 2.0a названа лучшей в серии на двух транскрипционных тестах; приведённые медианные F1 составляют 0,849 и 0,875. Указано, что для работы с изображениями процессор масштабирует вход в заданный диапазон разрешения.

Модель может выдавать правдоподобный вымышленный текст для повреждённых участков, иногда зацикливается, а рамки строк на странице приблизительны. Она не обучалась на арабском, латинском или греческом письме; результаты не являются научной транскрипцией. Лицензия — Apache-2.0.

Сценарии применения

  • транскрипция рукописных страниц на иврите
  • чтение арамейских текстов в рукописях
  • транскрипция иудео-арабских документов еврейским письмом
  • поиск фразы и определение её области на изображении страницы
  • распознавание строк рукописи с координатами рамок
  • оцифровка фрагментов Каирской генизы и талмудических рукописей

Ограничения

Модель может галлюцинировать текст на повреждённых участках и иногда зацикливается; рамки строк приблизительны. Она не обучалась на арабском, латинском или греческом письме, а результаты не следует считать научными транскрипциями.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-VL-8B Hebrew v2.0a — merged weights (step 1800)

📄 Cairo Genizah AI Transcription — formal analysis and write-up of the project The full account of the methods, training data, benchmarks and error analysis behind the Cairo Genizah AI transcription models. Search the transcribed corpus at Cairo Genizah AI.

Merged bf16 weights of the v2.0a checkpoint (v20a-ckpt, step 1800, commit af9df6a0): the LoRA adapters (language layers r16, vision tower) folded into Qwen3-VL-8B-Instruct. Ready for transformers, vLLM, or conversion. The image processor ships the model's resolution contract (min_pixels=6_500_000, max_pixels=7_000_000): send the largest image you have and let the processor resize it.

Status: current best of the series on both transcription benchmarks (Sep 2026) and the first checkpoint with text grounding. Serving demo: the Genizah Reader Space.

What it does

Diplomatic transcription of handwritten Hebrew-script manuscripts (Hebrew, Aramaic, Judaeo-Arabic) — Cairo Genizah documentary fragments and religious/Talmudic manuscript pages — plus grounding: phrase → box (locate), box → text (read_box), and page → lines with boxes. Coordinates are [x1, y1, x2, y2] normalized to 0–1000 of the input image.

benchmark (median aligned F1, single decode, T=0.1)v1.9a-1300v2.0a-1800
Genizah religious-140 (GT rev 1.1)0.8160.849
Frozen PGP-131 documentary0.8620.875
locate: median IoU / centre hit (72 queries)0.29 / 54%0.47 / 78%
read_box: median CER (37 lines)0.580.13

Known limits: it can hallucinate plausible text on damaged regions, occasionally loops, and its grounded-page line boxes are approximate (about 58% sit on the line they transcribe; phrase boxes are tighter). Not trained on Arabic, Latin or Greek script. Outputs are not scholarly transcriptions.

Usage

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
import torch
repo = "isaacmg/qwen3-vl-8b-hebrew-v20a-merged"
processor = AutoProcessor.from_pretrained(repo)
model = Qwen3VLForConditionalGeneration.from_pretrained(repo, torch_dtype=torch.bfloat16, device_map="auto")
prompt = ("This image is a manuscript fragment from the Cairo Genizah — handwritten Hebrew script "
          "(the language may be Hebrew, Judeo-Arabic, or Aramaic).\n\nTranscribe the text exactly as written, "
          "in reading order. Mark unclear characters with [?].\nWhere text is lost or illegible due to damage, "
          "write [...].\nDo NOT correct, restore, or complete from memory.\n\nReturn ONLY the transcription.")
messages = [{"role": "user", "content": [{"type": "image", "image": image}, {"type": "text", "text": prompt}]}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=4096, do_sample=True, temperature=0.1)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

Grounded page: "Transcribe this manuscript page line by line. Respond with ONLY a JSON array; each element {"text": "...", "bbox_2d": [x1, y1, x2, y2]} gives one line's transcription and its bounding box, coordinates normalized to 0-1000. Preserve reading order." — parse the array; a truncated reply still yields its closed elements.

Training data and credits

Manuscript images and editorial transcriptions for the KTIV portion of the training set were accessed through the Ktiv project of the National Library of Israel, with images from holding institutions including Cambridge University Library, the Jewish Theological Seminary and the British Library; that training set is not redistributed. Genizah documentary transcriptions derive from the Princeton Geniza Project. Synthetic renders: synthetic_hebrew_v3. Full lineage and the series table are on the v20a-ckpt card.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
48a0e39

0 моделей