/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Библиотека
transformers
Опубликована
15 фев 2025

JSONify-Flux-Large

Изображение и текст → текст11 профессий

Дообученная мультимодальная модель Qwen2-VL для описания изображений, OCR и визуальных вопросов с ответами в структурированном формате JSON.

19скачиваний за 30 дней8лайковвеса обновлены16 фев 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

JSONify-Flux-Large — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2-VL-7B-Instruct, настроенная на изображения, созданные Flux, и соответствующие им описания. Она предназначена для описания изображений, визуальных вопросов и рассуждений, распознавания текста на изображениях и решения математических задач с выводом в формате JSON; поддерживает многошаговый диалог и анализ видео. Модель содержит 7,1 млрд параметров, принимает изображения и текст, выдаёт текст, а максимальный контекст составляет 32 768 токенов.

В карточке заявлена поддержка английского и китайского языков, а также распознавание текста на японском, арабском и ряде европейских языков. Веса опубликованы в формате Safetensors, библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит независимых сравнительных результатов, поэтому заявления о высокой точности и длительности поддерживаемого видео не следует считать подтверждёнными гарантиями качества.

Сценарии применения

  • описание изображений, созданных Flux
  • распознавание текста и извлечение данных из изображений
  • ответы на вопросы по изображениям и документам
  • решение математических задач по изображению с формулами LaTeX
  • подготовка структурированных JSON-ответов для автоматизированной обработки
  • анализ видеоматериалов

Ограничения

Карточка не приводит независимых сравнительных результатов и не подтверждает заявленные показатели качества. Поддержка японского, арабского и европейских языков заявлена для распознавания текста; общий уровень владения этими языками не уточняется.

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

9.png

JSONify-Flux-Large

The JSONify-Flux-Large model is a fine-tuned version of Qwen2VL, specifically trained on Flux-generated images and their corresponding captions. This model has been trained using a 30M trainable parameter dataset and is designed to output responses in structured JSON format while maintaining state-of-the-art performance in Optical Character Recognition (OCR), image-to-text conversion, and math problem-solving with LaTeX formatting.

Key Enhancements:

  • Optimized for Flux-Generated Image Captioning: JSONify-Flux-Large has been trained to understand and describe images created using Flux-based generation techniques.

  • State-of-the-Art Image Understanding: Built on Qwen2VL's architecture, JSONify-Flux-Large excels in visual reasoning tasks like DocVQA, RealWorldQA, MTVQA, and more.

  • Formatted JSON Output: Responses are structured in a JSON format, making it ideal for automation, database storage, and further processing.

  • Multilingual Support: Recognizes and extracts text from images in multiple languages, including English, Chinese, Japanese, Arabic, and various European languages.

  • Supports Multi-Turn Interactions: Maintains context in conversations and can provide extended reasoning over multiple inputs.

How to Use

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/JSONify-Flux-Large", torch_dtype="auto", device_map="auto"
)

# Enable flash_attention_2 for better acceleration and memory efficiency
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "prithivMLmods/JSONify-Flux-Large",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# Default processor
processor = AutoProcessor.from_pretrained("prithivMLmods/JSONify-Flux-Large")

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 in JSON format."},
        ],
    }
]

# Prepare inputs for inference
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")

# Inference: Generate JSON-formatted output
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)  # JSON-formatted response

JSON Buffer Handling

buffer = ""
for new_text in streamer:
    buffer += new_text
    buffer = buffer.replace("<|im_end|>", "")
    yield buffer

Key Features

  1. Flux-Based Vision-Language Model:

    • Specifically trained on Flux-generated images and captions for precise image-to-text conversion.
  2. Optical Character Recognition (OCR):

    • Extracts and processes text from images with high accuracy.
  3. Math and LaTeX Support:

    • Solves math problems and outputs equations in LaTeX format.
  4. Structured JSON Output:

    • Ensures outputs are formatted in JSON, making it suitable for API responses and automation tasks.
  5. Multi-Image and Video Understanding:

    • Supports analyzing multiple images and video content up to 20 minutes long.
  6. Secure Weight Format:

    • Uses Safetensors for enhanced security and faster model loading.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
7117b01

0 моделей