/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
25 авг 2026

Pathumma-llm-vision-3.0.0-re

Изображение и текст → текст7 профессий

Мультимодальная модель NECTEC на основе Qwen3-VL-2B-Instruct для OCR и понимания тайских документов и изображений.

329скачиваний за 30 дней1лайквеса обновлены28 авг 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

Pathumma Vision 3.0.0-Re — мультимодальная модель NECTEC для распознавания тайского текста на изображениях и анализа документов. Она дообучена на основе Qwen3-VL-2B-Instruct на 377 тысячах примеров OCR с акцентом на тайский язык, сложные документы и текст в реальных сценах. Архитектура — плотная Qwen3-VL с обработкой изображений и генерацией текста; модель рассчитана на работу через Transformers и обучалась с применением Quantization-Aware Training для более эффективного развёртывания.

Модель предназначена для извлечения текста из документов и фотографий, распознавания рукописного и сценического текста, а также понимания тайских документов. В сравнении на ThaiOCRBench показаны результаты по распознаванию текста, разбору документов и связанным визуальным задачам. Лицензия — Apache-2.0. Карточка не приводит ограничений по размеру контекста; результаты на других языках и типах изображений не заявлены.

Сценарии применения

  • извлечение тайского текста из сканов документов
  • распознавание надписей на вывесках и фотографиях
  • извлечение рукописного тайского текста
  • разбор и понимание тайских документов
  • распознавание текста на изображениях реальных сцен

Ограничения

Модель оптимизирована для тайского OCR; качество для других языков и сценариев не охарактеризовано. Опубликованные показатели относятся к ThaiOCRBench и не гарантируют качество на произвольных данных.

Для каких профессий подходит7

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

Pathumma Vision 3.0.0-Re

Pathumma Vision 3.0.0-Re is a vision-language model developed by NECTEC for Thai OCR .

The model is based on Qwen3-VL-2B-Instruct and further trained on a large-scale OCR dataset with 377K training samples. The training focuses on improving OCR capabilities, particularly for Thai and challenging real-world document and scene-text images.

This model also uses Quantization-Aware Training (QAT) to improve the model's suitability for efficient deployment while maintaining strong OCR performance.

Model Highlights

  • 🧠 Based on Qwen3-VL-2B-Instruct
  • 🇹🇭 Optimized for Thai OCR
  • 📚 Trained on 377K OCR samples
  • ⚡ Quantization-Aware Training (QAT)
  • 🖼️ Vision-language image-to-text understanding
  • 📄 Designed for OCR and document/image understanding
  • 🚀 Intended for efficient deployment and inference

Benchmark

We evaluate our models on ThaiOCRBench, a benchmark designed to assess OCR and document understanding capabilities across Thai and challenging real-world visual content.

ThaiOCRBench Results

ModelDocument ParsingFine-grained Text RecognitionFull-page OCRHandwritten Content ExtractionText RecognitionDocument ClassificationDiagram VQACognition VQAInfographicsOverall
Typhoon-OCR1.5-2B0.23550.12740.77240.28080.59220.40930.40630.56900.58390.4419
Pathumma-LLM-Vision-3.0.0-re0.41170.14780.73610.36750.67420.43260.43630.66230.59510.4960
Pathumma-LLM-Vision-3.0.0-preview0.48720.14580.78310.32860.64430.25580.57840.67630.64510.5050

Training

The model was fine-tuned on 377K OCR training samples.

Training Configuration

ParameterValue
Base modelQwen3-VL-2B-Instruct
Training data377K OCR samples
Training methodQuantization-Aware Training (QAT)
Learning rate9e-6
Epochs2
Gradient accumulation4
Hardware8 × NVIDIA A100
Model size2B parameters

Training Hardware

Training was performed using:

8 × NVIDIA A100 GPUs

with gradient accumulation of 4.

Intended Use

Pathumma Vision 3.0.0-Re is intended for:

  • Thai OCR
  • Scene text recognition
  • Document text extraction
  • Thai document understanding

Quickstart

Installation

pip install -U transformers
pip install torch torchvision

Using 🤗 Transformers

import torch
from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

model_id = "nectec/Pathumma-llm-vision-3.0.0-re"

model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="auto",
)

processor = AutoProcessor.from_pretrained(model_id)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "path/to/your/image.jpg",
            },
            {
                "type": "text",
                "text": "อ่านข้อความในภาพนี้",
            },
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
)

inputs = inputs.to(model.device)

generated_ids = model.generate(
    **inputs,
    max_new_tokens=512,
)

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])

Contributors

This model was developed by:

  • Kun Kerdthaisong
  • Thanaporn Pintobtang
  • Theerawat Phromchai
  • Khemjira Prachumkhong
  • Teepakorn Lilek
  • Theerasit Issaranon
  • Sarawoot Kongyoung

Acknowledgements

We thank the NECTEC team and contributors involved in the development of Pathumma and the underlying Thai-language and vision-language resources.

This model is built upon the Qwen3-VL architecture and benefits from the work of the Qwen team.

Citation

If you find Pathumma-llm-vision-3.0.0-re useful in your research, please cite:

@misc{PathummaVision3,
  author = {
    Kerdthaisong, Kun and
    Pintobtang, Thanaporn and
    Phromchai, Theerawat and
    Prachumkhong, Khemjira and
    Lilek, Teepakorn and
    Issaranon, Theerasit and
    Kongyoung, Sarawoot
  },
  title = {Pathumma Vision 3.0.0-Re},
  year = {2026},
  url = {https://huggingface.co/nectec/Pathumma-llm-vision-3.0.0-re}
}

Please also cite the original Qwen3-VL work:

@misc{qwen3technicalreport,
  title={Qwen3 Technical Report},
  author={Qwen Team},
  year={2025},
  eprint={2505.09388},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2505.09388}
}

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
08bb11d

0 моделей