/ Модель

Характеристики

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

Uni-MuMER-Qwen3-VL-2B

Описание изображенийИзображение → текст4 профессии

Модель распознаёт рукописные математические выражения на изображениях и преобразует их в LaTeX.

3 048скачиваний за 30 дней0лайковвеса обновлены13 апр 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 «Распознавание текста» — 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

Uni-MuMER-Qwen3-VL-2B — модель phxember, дообученная на базе Qwen/Qwen3-VL-2B-Instruct для распознавания рукописных математических выражений. Она принимает изображение с формулой и преобразует его в LaTeX. Архитектура Qwen3-VL объединяет визуальный энкодер ViT и языковую модель; размер модели — 2,1 млрд параметров.

Дообучение Uni-MuMER объединяет основную задачу распознавания с тремя вспомогательными задачами: Tree-CoT, обучением на основе ошибок и подсчётом символов. В README приведены результаты на наборах CROHME 2014, 2016 и 2019: точное совпадение составило 83,27%, 78,55% и 79,40% соответственно. Модель рассчитана на обработку изображений рукописных формул и генерацию их текстового представления в LaTeX.

Модель распространяется под лицензией Apache-2.0. Для запуска README описывает использование Transformers и vLLM; в примере для vLLM указан предел длины контекста 2048 токенов. Результаты опубликованы для ограниченного набора тестов CROHME и не гарантируют такую же точность на других типах почерка, изображениях или формулах.

Сценарии применения

  • перевод рукописных формул в LaTeX
  • оцифровка математических записей с изображений
  • распознавание рукописных выражений в учебных материалах

Ограничения

Результаты приведены для наборов CROHME и могут не отражать точность на других почерках, изображениях и типах формул. В примере использования vLLM указан предел контекста 2048 токенов.

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

Uni-MuMER-Qwen3-VL-2B

This model is a Uni-MuMER fine-tuned version of Qwen3-VL-2B-Instruct for Handwritten Mathematical Expression Recognition (HMER) -- converting images of handwritten math expressions into LaTeX.

Uni-MuMER uses unified multi-task fine-tuning with three auxiliary tasks (Tree-CoT, Error-Driven Learning, Symbol Counting) to inject domain-specific knowledge into a general-purpose vision-language model.

Paper: Uni-MuMER: Unified Multi-Task Fine-Tuning of Vision-Language Model for Handwritten Mathematical Expression Recognition (NeurIPS 2025 Spotlight)

Model Details

PropertyValue
Base ModelQwen/Qwen3-VL-2B-Instruct
ArchitectureQwen3-VL (dedicated vision-language model with ViT encoder)
Parameters2.1B
Training DataUni-MuMER-Data (~1.6M samples, 26 subsets)
Fine-tuningFull (all parameters, including vision encoder)
Precisionbf16
Templateqwen3_vl_nothink (via LLaMA-Factory)

Training Configuration

HyperparameterValue
Epochs1
Learning Rate1e-5 (cosine schedule, 10% warmup)
Effective Batch Size512 (8 GPUs x 4 per-device x 16 accumulation)
DeepSpeedZeRO-3
Image Max Pixels262,144 (512x512)
Cutoff Length2048 tokens
Hardware8x NVIDIA A100 80GB
Training Time~18 hours
Final Train Loss0.0433

Benchmark Results

ExpRate (Exact Match Rate)

DatasetSamplesUni-MuMER-3BQwen3.5-2BQwen3.5-4BThis ModelQwen3-VL-4B
CROHME 201498682.25%83.98%82.56%83.27%82.35%
CROHME 20161,14778.29%81.17%78.20%78.55%79.34%
CROHME 20191,19979.82%80.15%75.98%79.40%78.98%
CROHME 2023 Test2,30069.52%69.43%66.74%70.96%69.17%
CROHME 2023 Val55568.11%69.91%67.75%70.63%66.67%
HME100K Test24,60769.50%70.43%70.02%69.31%69.79%
Im2LaTeXv2 Test10,11876.99%77.82%77.20%77.11%77.46%
MathWriting Test7,64353.03%51.84%54.32%50.66%53.15%
Average72.19%73.09%71.60%72.49%72.11%

CDM Metrics (Visual-Equivalence-Aware)

DatasetCDM F1CDM ExpRate
CROHME 20140.970086.50%
CROHME 20160.966081.50%
CROHME 20190.970082.60%
HME100K Test0.971072.40%
Im2LaTeXv2 Test0.994092.60%
MathWriting Test0.948069.00%
Average0.969280.35%

Usage

Inference with vLLM

from vllm import LLM, SamplingParams

model = LLM(
    model="phxember/Uni-MuMER-Qwen3-VL-2B",
    trust_remote_code=True,
    max_model_len=2048,
)

sampling_params = SamplingParams(temperature=0.2, top_p=0.8, max_tokens=2048)

# See https://github.com/BFlameSwift/Uni-MuMER for full inference scripts

Batch Evaluation

git clone https://github.com/BFlameSwift/Uni-MuMER.git
cd Uni-MuMER
bash eval/eval_all.sh -m phxember/Uni-MuMER-Qwen3-VL-2B

Related Models

ModelBaseAvg ExpRateHuggingFace
Uni-MuMER-Qwen2.5-VL-3BQwen2.5-VL-3B72.19%Link
Uni-MuMER-Qwen2.5-VL-7BQwen2.5-VL-7B-Link
Uni-MuMER-Qwen3.5-2BQwen3.5-2B73.09%Link
Uni-MuMER-Qwen3.5-4BQwen3.5-4B71.60%Link
Uni-MuMER-Qwen3-VL-2BQwen3-VL-2B72.49%This model
Uni-MuMER-Qwen3-VL-4BQwen3-VL-4B72.11%Link

Citation

@article{li2025unimumer,
  title = {Uni-MuMER: Unified Multi-Task Fine-Tuning of Vision-Language Model for Handwritten Mathematical Expression Recognition},
  author = {Li, Yu and Jiang, Jin and Zhu, Jianhua and Peng, Shuai and Wei, Baole and Zhou, Yuxuan and Gao, Liangcai},
  year = {2025},
  journal = {arXiv preprint arXiv:2505.23566},
}

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
26d5745

0 моделей