/ 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
19 дек 2024

Qwen2-VL-Ocrtest-2B-Instruct

Изображение и текст → текст7 профессий

Дообученная мультимодальная модель Qwen2-VL для OCR, анализа изображений и решения математических задач с ответами в LaTeX.

26скачиваний за 30 дней5лайковвеса 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

Qwen2-VL-Ocrtest-2B-Instruct — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2-VL для анализа изображений по текстовым запросам. Она предназначена для распознавания текста на изображениях, преобразования изображений в текст, решения математических задач и выдачи формул в LaTeX; поддерживает диалоговый режим.

Модель принимает изображения и текст и генерирует текстовые ответы. По карточке базовая модель Qwen2-VL умеет работать с изображениями и видео, а распознавание текста внутри изображений заявлено для нескольких языков; метаданные карточки указывают английский язык. Модель содержит 1,5 млрд параметров, использует контекст до 32 768 токенов и формат весов Safetensors. Лицензия — Apache-2.0.

README заявляет высокую точность OCR, однако не приводит отдельной оценки качества или подробностей обучения. Поэтому результаты распознавания и решения задач могут требовать проверки; заявленные возможности базовой модели, включая работу с длинными видео и управление устройствами, не следует считать подтверждёнными характеристиками этого дообученного чекпойнта.

Сценарии применения

  • распознавание текста на фотографиях и сканах
  • извлечение текста из изображения в ответ
  • решение математических задач по изображению
  • распознавание формул с выдачей LaTeX
  • вопросы и ответы по содержимому изображения
  • диалоговый анализ изображений

Ограничения

Карточка не приводит независимых метрик качества или подробностей датасетов и обучения. Языковая поддержка OCR описана широко, но метаданные явно указывают только английский язык; результаты на других языках и математические ответы следует проверять.

Для каких профессий подходит7

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-Ocrtest-2B-Instruct [Text Analogy Ocrtest]

11.png

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

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.

File NameSizeDescriptionUpload Status
.gitattributes1.52 kBConfigures LFS tracking for specific model files.Initial commit
README.md203 BytesMinimal details about the uploaded model.Updated
added_tokens.json408 BytesAdditional tokens used by the model tokenizer.Uploaded
chat_template.json1.05 kBTemplate for chat-based model input/output.Uploaded
config.json1.24 kBModel configuration metadata.Uploaded
generation_config.json252 BytesConfiguration for text generation settings.Uploaded
merges.txt1.82 MBBPE merge rules for tokenization.Uploaded
model.safetensors4.42 GBSerialized model weights in a secure format.Uploaded (LFS)
preprocessor_config.json596 BytesPreprocessing configuration for input data.Uploaded
vocab.json2.78 MBVocabulary file for tokenization.Uploaded

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-Ocrtest-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-Ocrtest-2B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processer
processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen2-VL-Ocrtest-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)

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.
  6. Secure Weight Format:

    • Uses Safetensors for faster and more secure model weight loading.

Training Details

  • Base Model: Qwen/Qwen2-VL-2B-Instruct

  • Model Size:

    • 2.21 Billion parameters
    • Optimized for BF16 tensor type, enabling efficient inference.
  • Specializations:

    • OCR tasks in images containing text.
    • Mathematical reasoning and LaTeX output for equations.

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
0fe54d7

0 моделей