/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
15,4 ГБ
Лицензия
Своя лицензия
Архитектура
mpt · dense
Опубликована
11 мар 2026

Chitrapathak-1

Генерация текстаТекст → текст10 профессий

Мультимодальная модель Krutrim AI Labs распознаёт текст на изображениях документов на десяти языках Индии.

98скачиваний за 30 дней5лайковвеса обновлены11 мар 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

Chitrapathak-1 — мультиязычная OCR-модель от Krutrim AI Labs для распознавания текста на изображениях документов. Она использует мультимодальную архитектуру LLaVA-типа: визуальный энкодер CLIP ViT-L/14-336, двухслойный MLP-проектор и языковую модель Krutrim-1 7B. Модель преобразует документ в текст напрямую; для плотных страниц применяет разбиение изображения на фрагменты с учётом его пропорций и общий обзор страницы.

Модель предназначена для транскрибирования печатных документов на хинди, санскрите, бенгальском, маратхи, тамильском, телугу, каннада, малаялам, пенджаби и ория. По карточке, обучение включало мультимодальное предварительное обучение проектора и последующую настройку на OCR-данных: визуальный энкодер оставался замороженным, а на втором этапе совместно обучались проектор и языковая модель. Модель представлена в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в материалах проекта.

Сценарии применения

  • извлечение текста из сканов документов на хинди
  • распознавание текста на бенгальских и маратхских документах
  • транскрибирование тамильских, телугу и каннада страниц
  • оцифровка многоязычных печатных документов на языках Индии
  • распознавание текста на плотных страницах с разными пропорциями

Ограничения

Карточка сообщает об оценке на IndicVisionBench-OCR, но не приводит численных результатов. Лицензия обозначена как other, поэтому права и ограничения на использование нужно проверить отдельно.

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

Chitrapathak-Github arXiv

1. Introduction

Chitrapathak-1 (Chitra: Image; Pathak: Reader) is a multilingual OCR system built using a Vision–Language Model (VLM) architecture designed specifically for the linguistic diversity and document complexity of the Indian ecosystem. The model formulates OCR as an image-to-text generation task, allowing direct transcription of document images into text across multiple Indic languages. This model is part of the Chitrapathak OCR series and follows a LLaVA-style multimodal architecture.

Chitrapathak-1 integrates a vision encoder with a multilingual large language model, enabling end-to-end OCR generation without relying on traditional multi-stage pipelines. The model supports 10 Indic languages — Hindi, Sanskrit, Bengali, Marathi, Tamil, Telugu, Kannada, Malayalam, Punjabi, and Odia, and is trained on a large corpus of multilingual printed documents.

2. Model Architecture & Training

Key Features

  • Architecture: Vision–Language Model (LLaVA-style)
  • Vision Encoder: CLIP ViT-L/14-336
  • Language Model: Krutrim-1 7B multilingual LLM
  • Projection Module: 2-layer MLP connecting visual embeddings to the language model token space
  • Languages Supported: Hindi, Sanskrit, Bengali, Marathi, Tamil, Telugu, Kannada, Malayalam, Punjabi and Odia
  • Task: Multilingual Optical Character Recognition (OCR)
  • Input: Document images
  • Output: Free-form text transcription

Chitrapathak-1 follows a LLaVA-style vision–language architecture where document images are first encoded using a CLIP ViT-L/14-336 vision encoder. The resulting visual embeddings are mapped into the token space of the Krutrim-1 7B multilingual language model through a two-layer MLP projection module, after which the language model autoregressively generates the OCR transcription.

To improve recognition on dense document pages, the model uses dynamic image cropping, which is an aspect-ratio-aware tiling strategy, decomposing each page into multiple crops and a global view before visual encoding.

The model is trained in two stages. During multimodal pretraining, only the projection layer is optimized while the vision encoder and language model remain frozen to stabilize multimodal alignment. This is followed by supervised fine-tuning, where the projection layer and language model are jointly trained on multilingual OCR data while keeping the vision encoder frozen.

evaluation_results

3. Inference code

# Clone the Repository
git clone https://github.com/ola-krutrim/Chitrapathak.git
conda create --name chitrapathak python=3.10 -y
conda activate chitrapathak
cd Chitrapathak
pip install -r requirements.txt
pip install -e .
python chitrapathak/inference.py --model-path "krutrim-ai-labs/Chitrapathak-1" --image-file "assets/hin1.png"

4. Evaluation Results

Chitrapathak-1 is evaluated on IndicVisionBench-OCR, a multilingual benchmark for OCR performance across Indic scripts.

The benchmark measures Average Normalized Levenshtein Distance (ANLS) at both the word level and character level, where lower scores indicate better OCR quality.

evaluation_results

Chitrapathak-1 demonstrates strong OCR performance across multiple Indic languages, validating the effectiveness of end-to-end vision-language training for multilingual document transcription.

5. License

This code repository and the model weights are licensed under the Krutrim Community License Agreement Version 1.0.

6. Citation

If you use Chitrapathak-1 in your research, please cite:

@misc{faraz2026indicocr,
      title={Designing Production-Scale OCR for India: Multilingual and Domain-Specific Systems}, 
      author={Ali Faraz and Raja Kolla and Ashish Kulkarni and Shubham Agarwal},
      year={2026},
      eprint={2602.16430},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2602.16430}, 
}

7. Contact

Contributions are welcome! If you have any improvements or suggestions, feel free to submit a pull request on GitHub.

8. Acknowledgement

Chitrapathak is built with reference to the code of the following projects:

We thank them for their great work!

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaMPTForCausalLM
Ревизия весов
2689cde

0 моделей