/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
25 авг 2026

obj_v1

Изображение и текст → текст4 профессии

Мультимодальная модель ObjectAI извлекает структурированные данные из изображений индийских финансовых документов и заполняет заданную JSON-схему.

130скачиваний за 30 дней3лайкавеса обновлены4 сен 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

objv1 — это мультимодальная модель ObjectAI, дообученная с помощью LoRA и объединённая с базовой моделью Qwen/Qwen3-VL-4B-Instruct. Модель принимает изображение страницы финансового документа и JSON-схему, затем извлекает сведения со страницы и возвращает заполненную структуру JSON. Она построена на архитектуре Qwen3-VL с 4 млрд параметров и предназначена для работы с изображениями и текстом; обучение проводилось при разрешении до 1280 × 28 × 28 пикселей. В README для сервинга с vLLM указан предел контекста 16 384 токена.

Основной сценарий — структурированное извлечение данных из индийских финансовых документов. Отсутствующие на странице поля возвращаются как null; незапрошенные найденные сведения можно поместить в extras. Карточка рекомендует температуру 0 для воспроизводимости ответа. Модель требует значительных вычислительных ресурсов: 8,9 ГБ весов в bf16, минимум 16 ГБ VRAM и 24 ГБ для комфортной работы. Лицензия — Apache-2.0.

Модель не проверяет собственные арифметические вычисления, поэтому итоги, которые должны сходиться, следует проверять отдельно. Работа с документами других областей и форматов не тестировалась; распознавание рукописного текста, особенно цифр на изображениях низкого разрешения, является слабым местом.

Сценарии применения

  • извлечение полей из изображений финансовых документов
  • преобразование сведений со страницы документа в JSON по заданной схеме
  • структурирование данных из индийских финансовых документов
  • выделение полей документа с возвратом null для отсутствующих значений

Ограничения

Обучение проводилось на индийских финансовых документах; другие предметные области и макеты не тестировались. Рукописный текст, особенно цифры на изображениях низкого разрешения, распознаётся хуже, а арифметические итоги необходимо проверять отдельно.

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

obj_v1

Vision-language model fine-tuned for structured data extraction from Indian financial documents. Give it a page image and a JSON schema; it returns the schema filled in from what is on the page. A 4B vision-language model, LoRA fine-tuned and merged

Authors

Serving with vLLM

vllm serve objectai/obj_v1 \
  --served-model-name obj_v1 \
  --max-model-len 16384 \
  --limit-mm-per-prompt '{"image":1}' \
  --mm-processor-kwargs '{"max_pixels":1003520}' \
  --trust-remote-code

max_pixels is 1280x28x28, the resolution the model was trained at. Raising it wastes KV cache; lowering it makes small print unreadable.

Calling it

The server is OpenAI-compatible, so an ordinary chat completion works:

import base64, json, openai
client = openai.OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
image = base64.b64encode(open("cheque.jpg", "rb").read()).decode()
schema = {"cheque_details": {"amount": "number", "payee": "string",
                             "date": "string", "cheque_number": "string"}}
response = client.chat.completions.create(
    model="obj_v1",
    temperature=0.0,
    max_tokens=8192,
    messages=[
        {"role": "system", "content":
            "You are a document data extraction model. "
            "Extract only values present in the document. "
            "Use null for fields that are absent or illegible. "
            "Output a single compact JSON object matching the requested schema. "
            "No prose, no markdown, no explanation."},
        {"role": "user", "content": [
            {"type": "image_url",
             "image_url": {"url": f"data:image/jpeg;base64,{image}"}},
            {"type": "text",
             "text": f"document_type: cheque\nschema: {json.dumps(schema)}"},
        ]},
    ],
)
print(response.choices[0].message.content)

Prompt format

Match training or accuracy drops. The system prompt above is verbatim, and the user turn is the image followed by exactly two lines:

document_type: <type>
schema: <compact json>

Set temperature=0.0 so the same page yields the same answer.

Requirements

Weights8.9 GB (bf16)
VRAM16 GB minimum, 24 GB comfortable
Precisionbf16 (Ampere or newer; use fp16 below that)
Context16384 covers the longest documents
Runs on an L4, A10G, L40S, A100 or RTX 4090. On a T4 add --dtype float16.

Output

Compact JSON matching the requested schema. Fields absent from the page come back null rather than guessed. Values found on the page that the schema did not ask for are placed under extras when that key is included in the schema.

Limitations

  • Trained on Indian financial documents; other domains and layouts are untested.
  • Handwriting is the weakest case, particularly digits at low resolution.
  • The model does not verify its own arithmetic. Totals that must reconcile should be checked by the caller.

License

Apache 2.0. Fine-tuned from Qwen3-VL-4B-Instruct, which is Apache 2.0.

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
60dba78

0 моделей