/ Модель

Характеристики

Контекст
512 токенов
Параметры
386 млн
Лицензия
MIT
Архитектура
udop · dense
Опубликована
26 фев 2024

udop-large-512

Изображение и текст → текст12 профессий

UDOP-large-512 — encoder-decoder Transformer на основе T5 для классификации, разбора документов и ответов на вопросы по их изображениям.

274скачиваний за 30 дней7лайковвеса обновлены2 дек 2025

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

UDOP-large-512 — модель семейства UDOP для обработки документов, представленная в работе Zineng Tang, Ziyi Yang и соавторов. Она использует архитектуру encoder-decoder Transformer на основе T5 и объединяет визуальную информацию, текст и структуру расположения элементов документа. Модель содержит 386,3 млн параметров и предназначена для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA).

Модель принимает изображение документа и текстовый запрос или инструкцию и генерирует текстовый ответ либо результат разбора. Карточка описывает задачи обработки документов, но не сообщает поддерживаемые языки или длину контекста. Веса опубликованы в формате safetensors; лицензия — MIT.

Сценарии применения

  • классификация изображений документов
  • извлечение и разбор содержимого документов
  • ответы на вопросы по сканам и фотографиям документов
  • анализ структуры и расположения элементов документа

Ограничения

Карточка описывает сценарии обработки документов, но не приводит оценок качества, поддерживаемых языков или длины контекста. Пример использования в README не раскрыт полностью.

Для каких профессий подходит12

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

UDOP model

The UDOP model was proposed in Unifying Vision, Text, and Layout for Universal Document Processing by Zineng Tang, Ziyi Yang, Guoxin Wang, Yuwei Fang, Yang Liu, Chenguang Zhu, Michael Zeng, Cha Zhang, Mohit Bansal.

Model description

UDOP adopts an encoder-decoder Transformer architecture based on T5 for document AI tasks like document image classification, document parsing and document visual question answering.

Intended uses & limitations

You can use the model for document image classification, document parsing and document visual question answering (DocVQA).

How to use

Here's how to use the model for one-shot semantic segmentation:

from transformers import AutoProcessor, UdopForConditionalGeneration
from datasets import load_dataset

# load model and processor
# in this case, we already have performed OCR ourselves
# so we initialize the processor with `apply_ocr=False`
processor = AutoProcessor.from_pretrained("microsoft/udop-large", apply_ocr=False)
model = UdopForConditionalGeneration.from_pretrained("microsoft/udop-large")

# load an example image, along with the words and coordinates
# which were extracted using an OCR engine
dataset = load_dataset("nielsr/funsd-layoutlmv3", split="train")
example = dataset[0]
image = example["image"]
words = example["tokens"]
boxes = example["bboxes"]
question = "Question answering. What is the date on the form?"

# prepare everything for the model
encoding = processor(image, question, words, boxes=boxes, return_tensors="pt")

# autoregressive generation
predicted_ids = model.generate(**encoding)
print(processor.batch_decode(predicted_ids, skip_special_tokens=True)[0])
9/30/92

Refer to the demo notebooks for fine-tuning/inference.

BibTeX entry and citation info

@misc{tang2023unifying,
      title={Unifying Vision, Text, and Layout for Universal Document Processing}, 
      author={Zineng Tang and Ziyi Yang and Guoxin Wang and Yuwei Fang and Yang Liu and Chenguang Zhu and Michael Zeng and Cha Zhang and Mohit Bansal},
      year={2023},
      eprint={2212.02623},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Data Summary

https://huggingface.co/microsoft/udop-large-512/blob/main/data_summary_card.md

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
UdopForConditionalGeneration
Ревизия весов
52d8a71

0 моделей