/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
typhoon-ocr1.5-2b
Библиотека
transformers
Опубликована
31 июл 2026

typhoon-ocr1.5-2b-NVFP4

Изображение и текст → текст5 профессий

Typhoon OCR 1.5 2B NVFP4 — это квантизированная версия мультимодальной модели typhoon-ai/typhoon-ocr1.5-2b, опубликованная nanash66.

300скачиваний за 30 дней0лайковвеса обновлены31 июл 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

Модель предназначена для оптического распознавания текста в изображениях документов с преобразованием результата в чистый Markdown. Она также описывает визуальные элементы, таблицы, формулы, номера страниц и флажки в заданном формате. Модель рассчитана на использование только с официальным промптом Typhoon OCR v1.5 и не предназначена для общих задач визуальных вопросов и ответов.

Архитектура основана на Qwen3VLForConditionalGeneration с визуальным энкодером Qwen3VL; модель содержит 28 слоёв, скрытое представление размером 2048, 16 attention heads и 8 KV-heads. Используется квантизация NVFP4 (W4A4) с group_size=16, выполненная с помощью NVIDIA ModelOpt 0.45.0. Размер квантизированной модели составляет 2,23 ГБ, заявленная длина контекста — 262 144 токена. Поддерживаются английский и тайский языки; целевая платформа — графические процессоры NVIDIA Blackwell, включая GB10 с архитектурой sm_121. Для инференса изображение рекомендуется масштабировать до максимального размера 1800 пикселей.

К сильным сторонам относятся специализированная обработка документов, компактный размер после квантизации и структурированный вывод с поддержкой таблиц, LaTeX-формул и описаний изображений на тайском языке. Ограничения включают зависимость от единственного промпта, отсутствие встроенных защитных механизмов и возможность галлюцинаций. Для запуска NVFP4 требуется GPU Blackwell и среда NVIDIA ModelOpt. Модель является производной работой и распространяется по лицензии Apache-2.0.

Для каких профессий подходит5

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

Typhoon OCR 1.5 2B — NVFP4 Quantized

NVFP4 (W4A4) quantized version of typhoon-ai/typhoon-ocr1.5-2b for NVIDIA Blackwell GPUs (GB10 / sm_121).

Model Details

PropertyValue
Base Modeltyphoon-ai/typhoon-ocr1.5-2b
ArchitectureQwen3VLForConditionalGeneration
QuantizationNVFP4 (W4A4), group_size=16
QuantizerNVIDIA ModelOpt 0.45.0
Target GPUNVIDIA Blackwell (GB10 / sm_121)
Quantized Size2.23 GB
Context Length262,144 tokens
Hidden Size2048
Layers28
Attention Heads16 (KV: 8)
VisionQwen3VL Vision Encoder (1024 dim, 24 layers)

Quantization Configuration

  • Algorithm: NVFP4 (NVIDIA Floating Point 4-bit)
  • Weights: 4-bit float, group_size=16
  • Activations: 4-bit float, group_size=16
  • Excluded modules: lm_head, model.language_model.embed_tokens, model.visual*

Files

FileSize
model.safetensors2.23 GB
config.jsonModel config with quantization_config
hf_quant_config.jsonHF quantization metadata
generation_config.jsonGeneration defaults
chat_template.jinjaChat template
tokenizer.jsonTokenizer model
tokenizer_config.jsonTokenizer config
preprocessor_config.jsonVision preprocessor config
video_preprocessor_config.jsonVideo preprocessor config

Intended Uses & Limitations

This is a task-specific model intended to be used only with the provided prompt. It does not include any guardrails or VQA capability. Due to the nature of large language models (LLMs), a certain level of hallucination may occur. We recommend that developers carefully assess these risks in the context of their specific use case.

Important: This model is a single-prompt model — it works with one specific extraction prompt of Typhoon OCR v1.5 only. Other prompts will not produce correct results.

Prompting

The official extraction prompt for Typhoon OCR v1.5:

prompt = """Extract all text from the image.

Instructions:
- Only return the clean Markdown.
- Do not include any explanation or extra text.
- You must include all information on the page.

Formatting Rules:
- Tables: Render tables using <table>...</table> in clean HTML format.
- Equations: Render equations using LaTeX syntax with inline ($...$) and block ($$...$$).
- Images/Charts/Diagrams: Wrap any clearly defined visual areas (e.g. charts, diagrams, pictures) in:

<figure>
Describe the image's main elements (people, objects, text), note any contextual clues (place, event, culture), mention visible text and its meaning, provide deeper analysis when relevant (especially for financial charts, graphs, or documents), comment on style or architecture if relevant, then give a concise overall summary. Describe in Thai.
</figure>

- Page Numbers: Wrap page numbers in <page_number>...</page_number> (e.g., <page_number>14</page_number>).
- Checkboxes: Use ☐ for unchecked and ☑ for checked boxes."""

Usage

Recommended: vLLM + typhoon-ocr library

We recommend running inference via vLLM with the typhoon-ocr library rather than raw transformers:

pip install vllm typhoon-ocr

Serve the local NVFP4 model:

vllm serve nanash66/typhoon-ocr1.5-2b-NVFP4 \
  --quantization modelopt \
  --max-model-len 49152 \
  --served-model-name typhoon-ocr-nvfp4
from typhoon_ocr import ocr_document

markdown = ocr_document(
    "image.png",
    model="typhoon-ocr-nvfp4",
    figure_language="Thai",
    task_type="v1.5",
    base_url="http://localhost:8000/v1",
    api_key="no-key",
)
print(markdown)

Alternative: HuggingFace Transformers

Note: This model requires a Blackwell GPU (sm_121) with NVIDIA ModelOpt runtime for NVFP4 inference.

from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image

model = AutoModelForImageTextToText.from_pretrained(
    "nanash66/typhoon-ocr1.5-2b-NVFP4",
    dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("nanash66/typhoon-ocr1.5-2b-NVFP4")

# Load image
img = Image.open("image.png")

# IMPORTANT: The model was trained at a fixed image dimension of 1800px.
# Resize the image before inference.
def resize_if_needed(img, max_size=1800):
    if max(img.size) > max_size:
        scale = max_size / max(img.size)
        img = img.resize((int(img.width * scale), int(img.height * scale)))
    return img

img = resize_if_needed(img, 1800)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": img},
            {"type": "text", "text": prompt},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

# Inference
generated_ids = model.generate(**inputs, max_new_tokens=10000)
generated_ids_trimmed = [
    out_ids[len(in_ids):]
    for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)
print(output_text[0])

Derivative Of

This is a derivative work of typhoon-ai/typhoon-ocr1.5-2b, released under the Apache-2.0 license.

Citation

If you find this model useful, please cite the original works:

@misc{nonesung2026typhoonocropenvisionlanguage,
      title={Typhoon OCR: Open Vision-Language Model For Thai Document Extraction},
      author={Surapon Nonesung and Natapong Nitarach and Teetouch Jaknamon and Pittawat Taveekitworachai and Kunat Pipatanakul},
      year={2026},
      eprint={2601.14722},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2601.14722},
}

@misc{typhoon2,
      title={Typhoon 2},
      year={2024},
      eprint={2412.13702},
      archivePrefix={arXiv},
      url={https://arxiv.org/abs/2412.13702},
}

@misc{thaiocrbench,
      title={ThaiOCRBench},
      year={2025},
      eprint={2511.04479},
      archivePrefix={arXiv},
      url={https://arxiv.org/abs/2511.04479},
}

License

Apache-2.0 (same as base 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
Qwen3VLForConditionalGeneration
Ревизия весов
1cdf3e5

0 моделей