/ 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
25 июл 2025

Camel-Doc-OCR-080125

Изображение и текст → текст10 профессий

Мультимодальная модель для распознавания, извлечения и анализа информации в документах и изображениях.

188скачиваний за 30 дней8лайковвеса обновлены1 авг 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-080125 — дообученная PrithivMLmods мультимодальная модель на базе Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров. Она принимает текст и изображения, а её контекст составляет до 128 000 токенов. Модель предназначена для анализа документов: распознаёт и извлекает текст и структурированные данные, находит нужные сведения, связывает элементы документа и отвечает на вопросы по его содержимому.

Модель также рассчитана на разбор таблиц, графиков и математических выражений, включая преобразование формул в LaTeX. В карточке заявлены анализ видео и визуально управляемое взаимодействие с устройствами; основной тег задачи в метаданных — image-text-to-text. Языковые теги карточки — английский и китайский. Модель распространяется по лицензии Apache-2.0.

К ограничениям относятся снижение точности на изображениях низкого качества или с помехами, вариативность результатов для редких языков и скриптов, возможные галлюцинации и высокие требования к вычислительным ресурсам. Обработка длинных видео может требовать много памяти; для потоковой работы модель не оптимизирована.

Сценарии применения

  • извлечение текста и полей из сканов документов
  • ответы на вопросы по документам и PDF
  • извлечение таблиц, графиков и диаграмм
  • распознавание математических формул с преобразованием в LaTeX
  • поиск и связывание сведений в сложных документах

Ограничения

Точность может снижаться на изображениях низкого качества, при перекрытиях и для редких языков или скриптов; возможны галлюцинации. Модель требовательна к ресурсам, а длинные видео могут требовать много памяти; потоковая обработка не оптимизирована.

Для каких профессий подходит10

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

1.png

Camel-Doc-OCR-080125(v2-preview)

The Camel-Doc-OCR-080125 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, question answering, and multi-modal reasoning.

  • Visually-Grounded Device Interaction: Enables mobile or 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-080125", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Camel-Doc-OCR-080125")

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 or 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 Size230K samples (Modular Combustion of Datasets)
Model ArchitectureQwen2_5_VLForConditionalGeneration
Total Disk Volume400,000 MB
Training Timeapprox. 9,360(±120) seconds (~2.60 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
c212648

0 моделей