/ Модель

Характеристики

Контекст
655 380 токенов
Лицензия
MIT
Архитектура
glm_ocr · dense
Базовая модель
GLM-OCR
Библиотека
transformers
Опубликована
21 сен 2026

glm-ocr-farsi

Описание изображенийИзображение → текст7 профессий

Дообученная на базе GLM-OCR модель для распознавания персидского текста, включая рукописи и документы, на изображениях.

157скачиваний за 30 дней0лайковвеса обновлены21 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 «Распознавание текста» — 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

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста.

Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr.

Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

Сценарии применения

  • распознавание рукописного текста на фарси
  • извлечение текста на фарси из сканов документов
  • распознавание печатного персидского текста на изображениях

Ограничения

Для работы требуется Transformers версии 5 или новее с поддержкой GLM-OCR. Полный разбор структуры документа требует GLM-OCR SDK; независимые показатели качества распознавания в карточке не приведены.

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

GLM-OCR Farsi

Fine-tuned GLM-OCR for Persian / Farsi OCR (full end-to-end SFT: vision + projector + language model).

Training summary

ItemValue
Base modelzai-org/GLM-OCR (~0.9B)
Stage 1LM-only full SFT → checkpoint-5500
Stage 2Full e2e (vision + projector + LM) from stage-1 best
Hardware1× RTX 3090 24GB
Epochs (e2e)2
Steps19,984
Effective batch16 (batch=1, grad_accum=16)
Learning rate5e-6 cosine
Prompt<image>Text Recognition:
Final eval_loss0.0317
Train runtime~13h 41m

Eval loss (e2e stage)

Epocheval_loss
0.100.268
0.500.121
1.000.057
1.500.037
2.000.0317

Files

  • model.safetensors — best weights (checkpoint-19984)
  • Tokenizer / processor configs for Transformers inference
  • training_loss.png, training_eval_loss.png — training curves

Usage

Requires transformers ≥ 5.x (GLM-OCR / glm_ocr support).

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

model_id = "larshiakzemil/glm-ocr-farsi"
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if device == "cuda" else torch.float32

processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, trust_remote_code=True, dtype=dtype, device_map=device
)
model.eval()

image = Image.open("page.jpg").convert("RGB")
messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": "Text Recognition:"},
    ],
}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], return_tensors="pt")
inputs = {k: v.to(device) if hasattr(v, "to") else v for k, v in inputs.items()}

with torch.inference_mode():
    out = model.generate(**inputs, max_new_tokens=512, do_sample=False)

decoded = processor.decode(out[0], skip_special_tokens=True)
print(decoded.split("Text Recognition:", 1)[-1].strip())

Notes

  • Optimized for handwriting / document text recognition with the official GLM-OCR text prompt.
  • For full document layout parsing, use the GLM-OCR SDK with this checkpoint as the recognition model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GlmOcrForConditionalGeneration
Ревизия весов
3dcb69b

0 моделей