/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
24 июн 2025

Camel-Doc-OCR-062825

Изображение и текст → текст15 профессий

Дообученная мультимодальная Qwen2.5-VL для OCR, извлечения данных и ответов на вопросы по документам и визуальным материалам.

151скачиваний за 30 дней13лайковвеса обновлены27 июн 2025

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

Camel-Doc-OCR-062825 — дообученная PrithivMLmods модель на базе Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Она принимает изображения и текстовые запросы, извлекает содержимое и структурированные сведения, связывает элементы документа и отвечает на вопросы по его содержимому. Модель ориентирована на работу с таблицами, графиками, математическими выражениями, сложной разметкой страниц, слайдами и мультимодальными материалами; заявлены также понимание видео и визуально управляемое взаимодействие с устройствами.

Модель построена на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Базовая модель поддерживает контекст до 128 000 токенов. В карточке заявлена работа с несколькими языками, но отмечена переменная точность для редких языков и письменностей. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0.

Среди ограничений — снижение качества на нечетких или частично закрытых изображениях, высокие требования к ресурсам и возможные галлюцинации. Длительная обработка видео требует значительной памяти; потоковая работа не оптимизирована.

Сценарии применения

  • распознавание текста и структуры в документах
  • извлечение полей и сведений из PDF и сканов
  • ответы на вопросы по содержимому документов
  • распознавание таблиц, графиков и диаграмм
  • извлечение математических формул с форматированием LaTeX
  • поиск и суммирование информации в слайдах и длинных документах

Ограничения

Точность может снижаться на изображениях низкого качества и редких языках или письменностях; возможны галлюцинации. Обработка длинных видео требует значительной памяти, а модель не оптимизирована для потокового режима или устройств с ограниченными ресурсами.

Для каких профессий подходит15

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

Camel.png

Camel-Doc-OCR-062825

The Camel-Doc-OCR-062825 model is a fine-tuned version of Qwen2.5-VL-7B-Instruct, optimized for Document Retrieval, Content Extraction, and Analysis Recognition. Built on top of the Qwen2.5-VL architecture, this model enhances document comprehension capabilities with focused training on the Opendoc2-Analysis-Recognition dataset for superior document analysis and information extraction tasks.

Key Enhancements

  • Context-Aware Multimodal Extraction and Linking for Documents: Advanced capability for understanding document context and establishing connections between multimodal elements within documents.

  • Enhanced Document Retrieval: Designed to efficiently locate and extract relevant information from complex document structures and layouts.

  • Superior Content Extraction: Optimized for precise extraction of structured and unstructured content from diverse document formats.

  • Analysis Recognition: Specialized in recognizing and interpreting analytical content, charts, tables, and visual data representations.

  • State-of-the-Art Performance Across Resolutions: Achieves competitive results on OCR and visual QA benchmarks such as DocVQA, MathVista, RealWorldQA, and MTVQA.

  • Video Understanding up to 20+ minutes: Supports detailed comprehension of long-duration videos for content summarization, Q&A, and multi-modal reasoning.

  • Visually-Grounded Device Interaction: Enables mobile/robotic device operation via visual inputs and text-based instructions using contextual understanding and decision-making logic.

Quick Start with Transformers

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Camel-Doc-OCR-062825", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Camel-Doc-OCR-062825")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

generated_ids = model.generate(**inputs, max_new_tokens=128)
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)

Intended Use

This model is intended for:

  • Context-aware multimodal extraction and linking for complex document structures.
  • High-fidelity document retrieval and content extraction from various document formats.
  • Analysis recognition of charts, graphs, tables, and visual data representations.
  • Document-based question answering for educational and enterprise applications.
  • Extraction and LaTeX formatting of mathematical expressions from printed or handwritten content.
  • Retrieval and summarization from long documents, slides, and multi-modal inputs.
  • Multilingual document analysis and structured content extraction for global use cases.
  • Robotic or mobile automation with vision-guided contextual interaction.

Limitations

  • May show degraded performance on extremely low-quality or occluded images.
  • Not optimized for real-time applications on low-resource or edge devices due to computational demands.
  • Variable accuracy on uncommon or low-resource languages/scripts.
  • Long video processing may require substantial memory and is not optimized for streaming applications.
  • Visual token settings affect performance; suboptimal configurations can impact results.
  • In rare cases, outputs may contain hallucinated or contextually misaligned information.

Training Details

ParameterValue
Dataset Size108K samples (Modular Combustion of Datasets)
Model ArchitectureQwen2_5_VLForConditionalGeneration
Total Disk Volume300,000 MB
Training Timeapprox. 12,897 seconds (~3.58 hours)
Warmup Steps750
Precisionbfloat16

References

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
795a4c9

0 моделей