Характеристики

Контекст: 512 токенов
Параметры: 434 млн
Архитектура: bros · dense
Опубликована: 2 мар 2022

Ссылки

bros-large-uncased

ЭмбеддингиТекст → embedding5 профессий

Предварительно обученная модель BROS-large-uncased извлекает признаки текста и его расположения для последующего извлечения ключевой информации из документов.

501скачиваний за 30 дней8лайковвеса обновлены5 апр 2022

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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

BROS-large-uncased — предварительно обученная модель семейства BROS, разработанная командой Naver Clova OCR. Она использует архитектуру BrosModel и сочетает текст с пространственной информацией о расположении слов на документе. На вход подаются результаты OCR в виде пар «текст и ограничивающая рамка»; модель предназначена для извлечения ключевой информации из документов, например упорядоченных позиций из чеков. Модель содержит около 433,9 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch.

Модель служит основой для задач понимания структуры документов и извлечения данных с учетом их расположения. README описывает предварительное обучение, а не конкретную тонкую настройку под отдельный документный сценарий; заявленная задача в метаданных — извлечение признаков. Сведения о лицензии в предоставленных источниках отсутствуют.

Сценарии применения

извлечение позиций и порядка товаров из чеков
подготовка признаков OCR-текста с координатами для анализа документов
извлечение ключевых полей из документов после OCR

Ограничения

Модель принимает текст и координаты ограничивающих рамок, полученные OCR, а не изображение документа напрямую. Для прикладного извлечения данных может потребоваться отдельная настройка под задачу; лицензия в предоставленных материалах не описана.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BROS

GitHub: https://github.com/clovaai/bros

Introduction

BROS (BERT Relying On Spatiality) is a pre-trained language model focusing on text and layout for better key information extraction from documents. Given the OCR results of the document image, which are text and bounding box pairs, it can perform various key information extraction tasks, such as extracting an ordered item list from receipts. For more details, please refer to our paper:

BROS: A Pre-trained Language Model Focusing on Text and Layout for Better Key Information Extraction from Documents Teakgyu Hong, Donghyun Kim, Mingi Ji, Wonseok Hwang, Daehyun Nam, Sungrae Park AAAI 2022 - Main Technical Track

[arXiv]

Pre-trained models

name	# params	Hugging Face - Models
bros-base-uncased	< 110M	naver-clova-ocr/bros-base-uncased
bros-large-uncased (this)	< 340M	naver-clova-ocr/bros-large-uncased

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: BrosModel
Ревизия весов: a644113