/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
22 авг 2026

NaviDC-OCR-GGUF

Изображение и текст → текст10 профессий

NaviDC-OCR GGUF — набор GGUF-квантизаций мультимодальной модели NaviDC-OCR, разработанной StarDoc-AI и преобразованной в GGUF проектом Pluto AI при участии автора с идентификатором @konradjr007.

653скачиваний за 30 дней3лайкавеса обновлены22 авг 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

Модель предназначена для локального разбора цифровых и сфотографированных документов с использованием llama.cpp и поддерживает обработку изображений вместе с текстовыми запросами.

Основные сценарии применения включают OCR документов, извлечение заголовков и основного текста, распознавание формул с представлением в LaTeX, транскрибацию таблиц в Markdown и структурированный разбор сложных страниц с многоколоночной компоновкой. В карточке указаны английский и китайский языки, а также связь с архитектурой Qwen2.5-VL. Доступны варианты квантизации от Q3_K_M до Q8_0 и версия FP16; размеры языковых квантов составляют примерно от 394,8 МБ до 1,50 ГБ. Для работы с изображениями требуется отдельный мультимодальный проектор mmproj-NaviDC-OCR-F16.gguf размером 1,33 ГБ.

Сильными сторонами являются локальный запуск, высокая скорость инференса и сохранение структуры документов, включая формулы и таблицы. В приведённом тесте на одной сложной технической странице варианты Q4_K_M, Q5_K_M и Q8_0 распознали 8 из 8 элементов, при этом Q4_K_M показал наибольшую скорость генерации. Результаты зависят от квантизации, оборудования и типа документа; для Q3_K_M отмечено ухудшение качества, а приведённые показатели не характеризуют работу на широком наборе данных. Лицензия — Apache-2.0.

Для каких профессий подходит10

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

NaviDC-OCR GGUF Quantizations

Static GGUF quantizations of StarDoc-AI/NaviDC-OCR for high-speed local document parsing, formula recognition, table transcription, and structured Markdown OCR using llama.cpp.

NaviDC-OCR is a specialized document vision-language model trained to parse complex digital and camera-captured documents, extracting headings, body text, LaTeX math formulas, and Markdown tables with geometric precision.


📊 Benchmark & Evaluation Results

Benchmarked on NVIDIA RTX GPU (CUDA) using llama-server on a complex technical document page containing headings, Schrödinger quantum equations, and multi-column tables:

QuantizationModel SizeBPWGeneration SpeedPrompt SpeedLatencyAccuracy / ElementsRecommended
NaviDC-OCR-Q4_K_M.gguf461.8 MB4.34211.4 tok/s1,320.4 tok/s1.22s100% (8/8 elements)🏆 Best Overall
NaviDC-OCR-Q5_K_M.gguf525.8 MB5.81205.7 tok/s1,262.8 tok/s1.26s100% (8/8 elements)⭐️ High Quality
NaviDC-OCR-Q8_0.gguf767.5 MB8.50195.5 tok/s1,243.4 tok/s1.30s100% (8/8 elements)Reference
NaviDC-OCR-Q3_K_M.gguf394.8 MB3.50179.1 tok/s1,238.5 tok/s6.26sDegradedLightweight

Companion Multimodal Projector (mmproj):

  • mmproj-NaviDC-OCR-F16.gguf (1.33 GB) — required for vision encoding alongside any language model quant.

🚀 How to Run with llama.cpp

1. Start llama-server

llama-server \
  -m NaviDC-OCR-Q4_K_M.gguf \
  --mmproj mmproj-NaviDC-OCR-F16.gguf \
  --port 8090 \
  -ngl 99 \
  -c 4096

2. Query via OpenAI-compatible API

import requests, base64

with open("document_page.png", "rb") as f:
    img_b64 = base64.b64encode(f.read()).decode("utf-8")

response = requests.post(
    "http://127.0.0.1:8090/v1/chat/completions",
    json={
        "messages": [
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": "Extract text."},
                    {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img_b64}"}}
                ]
            }
        ],
        "max_tokens": 2048,
        "temperature": 0.0
    }
)

print(response.json()["choices"][0]["message"]["content"])

📦 Files in this Repository

FilenameDescriptionSize
mmproj-NaviDC-OCR-F16.ggufVision Projector (required for all quants)1.33 GB
NaviDC-OCR-Q4_K_M.ggufOptimal 4-bit Medium Quantization (Fastest & recommended)461.8 MB
NaviDC-OCR-Q5_K_M.ggufHigh-fidelity 5-bit Medium Quantization525.8 MB
NaviDC-OCR-Q8_0.gguf8-bit Reference Quantization767.5 MB
NaviDC-OCR-Q3_K_M.gguf3-bit Turbo Quantization394.8 MB
NaviDC-OCR-F16.ggufUnquantized FP16 Baseline1.50 GB

💡 Acknowledgements & Citation

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
ff0f6e2

0 моделей