/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
24 фев 2026

MemOCR-7B

Вопросы по изображениюИзображение, текст → текст4 профессии

MemOCR-7B — мультимодальная модель для ответов на визуальные вопросы и многошагового поиска по компактной визуальной памяти.

43скачиваний за 30 дней8лайковвеса обновлены3 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 «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

MemOCR-7B — мультимодальная модель Meituan для визуальных вопросов и ответов с механизмом визуальной памяти. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров и контекстом 128 000 токенов; веса опубликованы в формате safetensors под лицензией Apache-2.0.

Модель предназначена для работы в составе фреймворка MemOCR: текстовый компонент формирует и уточняет содержимое памяти с учётом заданного бюджета, а зрительный компонент анализирует её визуальное представление. Такой подход рассчитан на ответы на сложные многошаговые вопросы и поиск сведений в подготовленной памяти; в карточке приведены результаты на HotpotQA, 2WikiMultihopQA, NaturalQuestions и TriviaQA.

Модель принимает изображения и текстовые вопросы и выдаёт текстовые ответы. Карточка указывает английский язык. Для использования необходим фреймворк MemOCR; результаты зависят от подготовки визуальной памяти и ограничения её бюджета. Количественные результаты и подробные инструкции по запуску в карточке не приведены.

Сценарии применения

  • ответы на вопросы по визуально представленной памяти
  • многошаговый поиск фактов по документам и заметкам
  • извлечение сведений из подготовленных материалов с ограниченным бюджетом памяти

Ограничения

Модель рассчитана на работу в составе фреймворка MemOCR и использует подготовленное визуальное представление памяти. Заявления о высоких результатах приведены без численных метрик в карточке.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MemOCR: Layout-Aware Visual Memory for Efficient Long-Horizon Reasoning

🌟 Model Description

MemOCR is a visual memory agent that dynamically adapts information density during memory drafting and reading, and optimizes visual layouts to highlight key information. This checkpoint is fine-tuned from Qwen2.5-VL-7B-Instruct with budget-aware training objectives.

Key Capabilities

  • Adaptive Information Density: Dynamically adjusts memory content richness based on task requirements
  • Budget-Aware Memory: Optimizes memory usage with explicit token budget constraints
  • Dual-Domain Architecture: Separate memory drafting (text domain) and reading (vision domain) processes
  • Multi-Hop Reasoning: Superior performance on complex question answering tasks

🏗️ Architecture

MemOCR consists of two main components:

  1. Memory Drafting in Text Domain: An LLM agent iteratively refines rich-text memory content based on question-answering feedback
  2. Memory Reading in Vision Domain: A vision-language model processes rendered visual memory with optimized information density

The framework employs budget-aware training objectives to balance memory informativeness and token efficiency.

📊 Performance

Main Results

MemOCR achieves state-of-the-art performance across multiple multi-hop QA benchmarks:

  • HotpotQA: Superior accuracy with efficient memory budgets
  • 2WikiMultihopQA: Strong multi-hop reasoning capabilities
  • NaturalQuestions & TriviaQA: Excellent knowledge retrieval performance

Ablation Studies

Analysis: Information Density & Budget

🚀 Usage

This model is designed to work with the MemOCR framework. Please refer to the official repository for detailed usage instructions.

📚 Citation

If you find MemOCR useful in your research, please consider citing:

@article{shi2026memocr,
  title={MemOCR: Layout-Aware Visual Memory for Efficient Long-Horizon Reasoning},
  author={Yaorui Shi and Shugui Liu and Yu Yang and Wenyu Mao and Yuxin Chen and Qi GU and Hui Su and Xunliang Cai and Xiang Wang and An Zhang},
  journal={arXiv preprint arXiv:2601.21468},
  year={2026},
}

🙏 Acknowledgements

This model is built upon:

  • Qwen2.5-VL as the vision-language model backbone
  • veRL as the reinforcement learning training framework
  • MemAgent for the recurrent module and training dataset

📄 License

This model is licensed under the Apache License 2.0. See the LICENSE file for details.

Dataset License

Training and evaluation datasets are derived from:

  • HotpotQA, 2WikiMultihopQA, Natural Questions, TriviaQA: Wikipedia-derived content licensed under CC BY-SA 4.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
e5acde6

0 моделей