/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-2B-Instruct
Библиотека
transformers
Опубликована
7 мар 2025

Qwen2-VL-OCR2-2B-Instruct

Изображение и текст → текст11 профессий

Мультимодальная модель на базе Qwen2-VL-2B, дообученная для OCR, понимания английского текста и решения математических задач с выводом LaTeX.

52скачиваний за 30 дней6лайковвеса обновлены2 мая 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

prithivMLmods/Qwen2-VL-OCR2-2B-Instruct — дообученная модель на основе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, понимания английского текста и решения математических задач с выводом формул в LaTeX. Это мультимодальная разговорная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; длина контекста составляет 32 768 токенов.

Модель подходит для извлечения текста из изображений и документов, разбора математических выражений и ответов на вопросы по визуальному содержимому. Карточка также описывает возможности базовой Qwen2-VL по анализу видео и многоязычного текста на изображениях, однако специализация этого дообучения сосредоточена на OCR и LaTeX. Модель опубликована под лицензией Apache-2.0.

Сценарии применения

  • распознавание текста на изображениях
  • извлечение текста и формул из документов
  • преобразование изображений математических выражений в LaTeX
  • ответы на вопросы по содержимому изображения
  • решение математических задач по изображению

Ограничения

Модель ориентирована прежде всего на OCR, английский текст и математические задачи; точность на других языках и типах изображений может различаться. Заявления README о видео и мобильных или роботизированных агентах относятся к возможностям базовой Qwen2-VL и не описывают отдельную специализацию этого дообучения.

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

Qwen2-VL-OCR2-2B-Instruct [ VL / OCR ]

OCR2.png

Qwen2-VL-OCR2-2B-Instruct

The Qwen2-VL-OCR2-2B-Instruct model is a fine-tuned version of Qwen/Qwen2-VL-2B-Instruct, tailored for tasks that involve Optical Character Recognition (OCR), English language understanding, and math problem solving with LaTeX formatting. This model integrates a conversational approach with visual and textual understanding to handle multi-modal tasks effectively.

[!note] previous version https://huggingface.co/prithivMLmods/Qwen2-VL-OCR-2B-Instruct

Key Enhancements:

  • SoTA understanding of images of various resolution & ratio: Qwen2-VL achieves state-of-the-art performance on visual understanding benchmarks, including MathVista, DocVQA, RealWorldQA, MTVQA, etc.

  • Understanding videos of 20min+: Qwen2-VL can understand videos over 20 minutes for high-quality video-based question answering, dialog, content creation, etc.

  • Agent that can operate your mobiles, robots, etc.: With the abilities of complex reasoning and decision-making, Qwen2-VL can be integrated with devices like mobile phones, robots, etc., for automatic operation based on visual environment and text instructions.

  • Multilingual Support: To serve global users, besides English and Chinese, Qwen2-VL now supports the understanding of texts in different languages inside images, including most European languages, Japanese, Korean, Arabic, Vietnamese, etc.

How to Use

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

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Qwen2-VL-OCR2-2B-Instruct", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "prithivMLmods/Qwen2-VL-OCR2-2B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processor
processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen2-VL-OCR2-2B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384. You can set min_pixels and max_pixels according to your needs, such as a token count range of 256-1280, to balance speed and memory usage.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

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."},
        ],
    }
]

# Preparation 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: Generation of the 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)

Buffering Output

    buffer = ""
    for new_text in streamer:
        buffer += new_text
        # Remove <|im_end|> or similar tokens from the output
        buffer = buffer.replace("<|im_end|>", "")
        yield buffer

Key Features

  1. Vision-Language Integration:

    • Combines image understanding with natural language processing to convert images into text.
  2. Optical Character Recognition (OCR):

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

    • Solves math problems and outputs equations in LaTeX format.
  4. Conversational Capabilities:

    • Designed to handle multi-turn interactions, providing context-aware responses.
  5. Image-Text-to-Text Generation:

    • Inputs can include images, text, or a combination, and the model generates descriptive or problem-solving text.

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
11104c6

0 моделей