/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
mistral3 · dense
Библиотека
transformers
Опубликована
16 янв 2026

LightOnOCR-2-1B-base

Изображение и текст → текст15 профессий

Компактная vision-language модель LightOn для OCR и извлечения упорядоченного текста из документов, предназначенная также для дообучения под конкретные типы документов.

9 385скачиваний за 30 дней14лайковвеса обновлены29 июн 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

LightOnOCR-2-1B-base — базовая версия компактной мультимодальной модели LightOn для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3 с 1 млрд параметров, предназначенная для преобразования страниц PDF, сканов и изображений в чистый текст с естественным порядком чтения. Она поддерживает OCR документов, включая таблицы и формы, и рассчитана на дообучение под специализированные сценарии.

Модель описана как чекпойнт до этапа RLVR с сильными возможностями OCR. Её можно адаптировать с помощью LoRA или полного дообучения для обработки чеков, научных статей и форм, а также для многоязычных корпусов. В версии LightOnOCR-2 улучшены обработка французского текста, arXiv-документов, сканов, LaTeX и нормализация. В README заявлены высокая скорость и результаты на OlmOCR-Bench, но подробная методика приведена в статье.

Для работы указаны Transformers и предварительный рендеринг страниц PDF в PNG или JPEG; рекомендованный максимальный размер длинной стороны — 1540 пикселей. Модель принимает изображения и выдаёт текст. Поддерживаемые языки: английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, шведский, датский, китайский и японский. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • распознавание текста на сканах и изображениях документов
  • извлечение текста из страниц PDF
  • распознавание и разбор таблиц в документах
  • извлечение данных из форм и чеков после дообучения
  • распознавание научных статей и LaTeX

Ограничения

Для запуска README указывает необходимость версии Transformers из исходного кода, а страницы PDF нужно предварительно рендерить в изображения. Заявления о скорости и качестве сопровождаются ссылкой на статью, подробная методика в карточке не приведена.

Для каких профессий подходит15

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

LightOnOCR-2-1B-base

Base model for fine-tuning. This is the pre-RLVR checkpoint with strong OCR capabilities, ideal as a starting point for domain adaptation and custom fine-tuning.

About LightOnOCR-2

LightOnOCR-2 is an efficient end-to-end 1B-parameter vision-language model for converting documents (PDFs, scans, images) into clean, naturally ordered text without relying on brittle pipelines. This second version is trained on a larger and higher-quality corpus with stronger French, arXiv, and scan coverage, improved LaTeX handling, and cleaner normalization. LightOnOCR-2 achieves state-of-the-art performance on OlmOCR-Bench while being ~9× smaller and significantly faster than competing approaches.

Highlights

  • ⚡ Speed: 3.3× faster than Chandra OCR, 1.7× faster than OlmOCR, 5× faster than dots.ocr, 2× faster than PaddleOCR-VL-0.9B, 1.73× faster than DeepSeekOCR
  • 💸 Efficiency: Processes 5.71 pages/s on a single H100 (~493k pages/day) for <$0.01 per 1,000 pages
  • 🧠 End-to-End: Fully differentiable, no external OCR pipeline
  • 🧾 Versatile: Handles tables, receipts, forms, multi-column layouts, and math notation
  • 📍 Image detection: Predicts bounding boxes for embedded images (bbox variants)

📄 Paper | 📝 Blog Post | 🚀 Demo | 📊 Dataset | 📊 BBox Dataset | 📓 Finetuning Notebook


Model Variants

VariantDescription
LightOnOCR-2-1BBest OCR model
LightOnOCR-2-1B-baseBase model, ideal for fine-tuning
LightOnOCR-2-1B-bboxBest model with image bounding boxes
LightOnOCR-2-1B-bbox-baseBase bbox model, ideal for fine-tuning
LightOnOCR-2-1B-ocr-soupMerged variant for extra robustness
LightOnOCR-2-1B-bbox-soupMerged variant: OCR + bbox combined

Benchmarks

See the paper for full benchmark details and methodology.


Usage with Transformers

Note: LightOnOCR-2 requires transformers installed from source (not yet in a stable release).

uv pip install git+https://github.com/huggingface/transformers
uv pip install pillow pypdfium2
import torch
from transformers import LightOnOcrForConditionalGeneration, LightOnOcrProcessor

device = "mps" if torch.backends.mps.is_available() else "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.float32 if device == "mps" else torch.bfloat16

model = LightOnOcrForConditionalGeneration.from_pretrained("lightonai/LightOnOCR-2-1B-base", torch_dtype=dtype).to(device)
processor = LightOnOcrProcessor.from_pretrained("lightonai/LightOnOCR-2-1B-base")

url = "https://huggingface.co/datasets/hf-internal-testing/fixtures_ocr/resolve/main/SROIE-receipt.jpeg"

conversation = [{"role": "user", "content": [{"type": "image", "url": url}]}]

inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
)
inputs = {k: v.to(device=device, dtype=dtype) if v.is_floating_point() else v.to(device) for k, v in inputs.items()}

output_ids = model.generate(**inputs, max_new_tokens=1024)
generated_ids = output_ids[0, inputs["input_ids"].shape[1]:]
output_text = processor.decode(generated_ids, skip_special_tokens=True)
print(output_text)

Usage with vLLM

vllm serve lightonai/LightOnOCR-2-1B-base \
    --limit-mm-per-prompt '{"image": 1}' --mm-processor-cache-gb 0 --no-enable-prefix-caching
import base64
import requests
import pypdfium2 as pdfium
import io

ENDPOINT = "http://localhost:8000/v1/chat/completions"
MODEL = "lightonai/LightOnOCR-2-1B-base"

# Download PDF from arXiv
pdf_url = "https://arxiv.org/pdf/2412.13663"
pdf_data = requests.get(pdf_url).content

# Open PDF and convert first page to image
pdf = pdfium.PdfDocument(pdf_data)
page = pdf[0]
# Render at 200 DPI (scale factor = 200/72 ≈ 2.77)
pil_image = page.render(scale=2.77).to_pil()

# Convert to base64
buffer = io.BytesIO()
pil_image.save(buffer, format="PNG")
image_base64 = base64.b64encode(buffer.getvalue()).decode('utf-8')

# Make request
payload = {
    "model": MODEL,
    "messages": [{
        "role": "user",
        "content": [{
            "type": "image_url",
            "image_url": {"url": f"data:image/png;base64,{image_base64}"}
        }]
    }],
    "max_tokens": 4096,
    "temperature": 0.2,
    "top_p": 0.9,
}

response = requests.post(ENDPOINT, json=payload)
text = response.json()['choices'][0]['message']['content']
print(text)

Rendering and Preprocessing Tips

  • Render PDFs to PNG or JPEG at a target longest dimension of 1540px
  • Maintain aspect ratio to preserve text geometry
  • Use one image per page; batching supported by vLLM

Fine-tuning

LightOnOCR-2-1B-base is fully differentiable and supports:

  • LoRA fine-tuning
  • Domain adaptation (receipts, scientific articles, forms, etc.)
  • Multilingual fine-tuning with task-specific corpora
  • Custom RLVR training with your own reward functions

License

Apache License 2.0


Acknowlegments

The project received funding from the BPI Scribe project.


Citation

@misc{lightonocr2_2026,
  title        = {LightOnOCR: A 1B End-to-End Multilingual Vision-Language Model for State-of-the-Art OCR},
  author       = {Said Taghadouini and Adrien Cavaill\`{e}s and Baptiste Aubertin},
  year         = {2026},
  howpublished = {\url{https://arxiv.org/pdf/2601.14251}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LightOnOCRForConditionalGeneration
Ревизия весов
c1bc8eb

0 моделей