/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Размер весов
6,1 ГБ
Лицензия
MIT
Архитектура
dots_ocr · dense
Базовая модель
dots.ocr
Библиотека
transformers
Опубликована
5 ноя 2025

Dots.OCR-Latest-BF16

Генерация текстаТекст → текст11 профессий

Мультимодальная модель Dots.OCR для извлечения печатного и рукописного текста из изображений документов с сохранением их структуры.

337скачиваний за 30 дней4лайкавеса обновлены15 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Dots.OCR-Latest-BF16 — дообученная версия мультимодальной модели Dots.OCR, опубликованная prithivMLmods. Она предназначена для распознавания и извлечения текста из изображений и сканов документов, включая печатный текст и рукописный курсив. Результат можно получить в виде обычного текста или Markdown с сохранением структуры документа: заголовков, таблиц и списков.

Модель использует архитектуру DotsOCRForCausalLM и принимает изображения вместе с текстовым запросом. В README указана мультимодальная основа размером 3B, тогда как метаданные репозитория сообщают 1,5 млрд параметров; заявленное контекстное окно — 131072 токена. Версия BF16 обновлена для совместимости с Transformers 4.57.1. Лицензия — MIT.

Сценарии применения

  • распознавание текста на сканах документов
  • извлечение рукописного текста и курсива с изображений
  • преобразование таблиц и списков из документов в Markdown
  • извлечение текста с сохранением заголовков и структуры документа

Ограничения

README сообщает о тестировании на NVIDIA H200 MIG и совместимости с Transformers 4.57.1, но не приводит сравнительных оценок качества или результатов тестирования на других конфигурациях.

Для каких профессий подходит11

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

Dots.OCR-Latest-BF16

Dots.OCR-Latest-BF16 is an optimized and updated vision-language OCR model variant of the original Dots.OCR. This open-source model is designed to extract text from images and scanned documents, including handwritten and printed content. It can output results as plain text or Markdown, preserving document layout elements such as headings, tables, and lists. This model uses a powerful multimodal backbone (3B VLM) to enhance reading comprehension and layout understanding, handling cursive handwriting and complex document structures effectively.

The BF16 variant has been tested and updated to work smoothly with the latest transformers version without compatibility issues, ensuring optimized performance.

transformers: 4.57.1
torch: 2.6.0+cu124
cuda: 12.4
device: NVIDIA H200 MIG 3g.71gb
attn_implementation= "flash_attention_2"

Quick Start with Transformers 🤗

Install the required packages

gradio
numpy
torch
torchvision
transformers==4.57.1
accelerate
matplotlib 
flash-attn @ https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu12torch2.6cxx11abiFALSE-cp310-cp310-linux_x86_64.whl

Run Demo

import os
import sys
import random
import uuid
import json
import time
from threading import Thread
from typing import Iterable
from huggingface_hub import snapshot_download

import gradio as gr
import torch
import numpy as np
from PIL import Image
import cv2

from transformers import (
    AutoModelForCausalLM,
    AutoProcessor,
    TextIteratorStreamer,
)

from transformers.image_utils import load_image

css = """
#main-title h1 {
    font-size: 2.3em !important;
}
#output-title h2 {
    font-size: 2.1em !important;
}
"""

MAX_MAX_NEW_TOKENS = 4096
DEFAULT_MAX_NEW_TOKENS = 2048
MAX_INPUT_TOKEN_LENGTH = int(os.getenv("MAX_INPUT_TOKEN_LENGTH", "4096"))

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

print("--- System Information ---")
print("CUDA_VISIBLE_DEVICES=", os.environ.get("CUDA_VISIBLE_DEVICES"))
print("torch.__version__ =", torch.__version__)
print("torch.version.cuda =", torch.version.cuda)
print("CUDA available:", torch.cuda.is_available())
print("CUDA device count:", torch.cuda.device_count())
if torch.cuda.is_available():
    print("Current device:", torch.cuda.current_device())
    print("Device name:", torch.cuda.get_device_name(torch.cuda.current_device()))
print("Using device:", device)
print("--------------------------")

print("Loading Dots.OCR model...")
MODEL_PATH_D = "prithivMLmods/Dots.OCR-Latest-BF16"
processor = AutoProcessor.from_pretrained(MODEL_PATH_D, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_PATH_D,
    attn_implementation="flash_attention_2",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
).eval()
print("Dots.OCR model loaded successfully.")

def generate_image(text: str, image: Image.Image,
                   max_new_tokens: int, temperature: float, top_p: float,
                   top_k: int, repetition_penalty: float):
    """
    Generates responses using the Dots.OCR model for image input.
    Yields raw text and Markdown-formatted text.
    """
    if image is None:
        yield "Please upload an image.", "Please upload an image."
        return

    messages = [{
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": text},
        ]
    }]
    prompt_full = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

    inputs = processor(
        text=[prompt_full],
        images=[image],
        return_tensors="pt",
        padding=True).to(device)

    streamer = TextIteratorStreamer(processor, skip_prompt=True, skip_special_tokens=True)
    generation_kwargs = {
        **inputs,
        "streamer": streamer,
        "max_new_tokens": max_new_tokens,
        "do_sample": True,
        "temperature": temperature,
        "top_p": top_p,
        "top_k": top_k,
        "repetition_penalty": repetition_penalty,
    }
    thread = Thread(target=model.generate, kwargs=generation_kwargs)
    thread.start()
    buffer = ""
    for new_text in streamer:
        buffer += new_text
        # Clean up potential end-of-sequence tokens from the buffer
        buffer = buffer.replace("<|im_end|>", "")
        time.sleep(0.01)
        yield buffer, buffer

with gr.Blocks(css=css) as demo:
    gr.Markdown("# **Dots.OCR**", elem_id="main-title")
    with gr.Row():
        with gr.Column(scale=2):
            image_query = gr.Textbox(label="Query Input", placeholder="Enter your query here...")
            image_upload = gr.Image(type="pil", label="Upload Image", height=290)

            image_submit = gr.Button("Submit", variant="primary")

            with gr.Accordion("Advanced options", open=False):
                max_new_tokens = gr.Slider(label="Max new tokens", minimum=1, maximum=MAX_MAX_NEW_TOKENS, step=1, value=DEFAULT_MAX_NEW_TOKENS)
                temperature = gr.Slider(label="Temperature", minimum=0.1, maximum=4.0, step=0.1, value=0.7)
                top_p = gr.Slider(label="Top-p (nucleus sampling)", minimum=0.05, maximum=1.0, step=0.05, value=0.9)
                top_k = gr.Slider(label="Top-k", minimum=1, maximum=1000, step=1, value=50)
                repetition_penalty = gr.Slider(label="Repetition penalty", minimum=1.0, maximum=2.0, step=0.05, value=1.1)
                
        with gr.Column(scale=3):
                gr.Markdown("## Output", elem_id="output-title")
                output = gr.Textbox(label="Raw Output Stream", interactive=False, lines=15, show_copy_button=True)
                with gr.Accordion("(Result.md)", open=False):
                    markdown_output = gr.Markdown(label="(Result.Md)")

    image_submit.click(
        fn=generate_image,
        inputs=[image_query, image_upload, max_new_tokens, temperature, top_p, top_k, repetition_penalty],
        outputs=[output, markdown_output]
    )

if __name__ == "__main__":
    demo.queue(max_size=50).launch(ssr_mode=False, show_error=True)

Model and Resource Links

Resource TypeDescriptionLink
Original Model CardOfficial release of Dots.OCR by rednote-hilabrednote-hilab/dots.ocr
Test Model (StrangerZone HF)Community test deployment (experimental)strangervisionhf/dots.ocr-base-fix
Standard Model CardOptimized version supporting Transformers v4.57.1 (BF16 precision)prithivMLmods/Dots.OCR-Latest-BF16
Demo SpaceInteractive demo hosted on Hugging Face SpacesMultimodal-OCR3 Demo

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DotsOCRForCausalLM
Ревизия весов
b27c339

0 моделей