/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
6 дек 2025

proxima-ocr-d.markdown-post3.0.l

Изображение и текст → текст11 профессий

Экспериментальная мультимодальная модель на базе Qwen3-VL для распознавания и преобразования документов в Markdown и структурированные форматы.

118скачиваний за 30 дней5лайковвеса обновлены9 дек 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

proxima-ocr-d.markdown-post3.0.l — экспериментальная мультимодальная модель для обработки документов, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения документов и преобразует их в Markdown, HTML-Markdown и структурированные представления, восстанавливая порядок разделов, таблицы, формы, многоколоночную верстку и математические выражения.

Модель предназначена для OCR, извлечения таблиц и полей форм, восстановления разметки многостраничных документов, а также вопросов и поиска по их содержимому. В README заявлена поддержка технических фрагментов, включая код и формулы LaTeX; языком карточки указан английский. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Это ранняя экспериментальная версия: автор предупреждает о возможных артефактах. Точность может снижаться на повреждённых сканах и мало представленных языках, а сложная ориентация блоков и нерегулярная верстка могут требовать дополнительной обработки. Для длинных последовательностей и многостраничных документов требуется значительный объём видеопамяти.

Сценарии применения

  • распознавание текста на сканах и изображениях документов
  • преобразование документов в Markdown или HTML-Markdown
  • извлечение таблиц и полей форм
  • восстановление структуры многостраничных документов
  • распознавание математических выражений с преобразованием в LaTeX
  • ответы на вопросы и поиск по содержимому документов

Ограничения

Точность может снижаться на повреждённых сканах и малоресурсных языках; нерегулярная верстка и блоки с разной ориентацией могут требовать постобработки. Для длинных и многостраничных входов требуется значительный объём видеопамяти; автор также предупреждает о возможных артефактах.

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

proxima-ocr-d.markdown-post3.0.l

proxima-ocr-d.markdown-post3.0.l is an experimental document AI multimodal model fine-tuned on top of Qwen3-VL-8B-Instruct, optimized for high precision OCR and structured document reconstruction. The model converts documents into Markdown, HTML-Markdown, and hybrid enriched documentation formats capable of embedding inline programming languages and reconstructing complex layouts such as tables, forms, and mathematical content.

Key Enhancements

  • Dynamic Markdown Reconstruction Converts complex documents to structured Markdown or HTML-Markdown while preserving layout hierarchy, formatting consistency, semantic ordering, and section alignment.

  • Inline Code and Language Embedding Direct adaptation of Python, JavaScript, LaTeX, and shell syntax into reconstructed documents for technical and research documentation.

  • High Fidelity OCR and Visual Parsing Accurate recognition of text across structured and unstructured scanned documents, including multi page layout reasoning.

  • Complex Layout Interpretation Interprets tables, grids, equations, graphs, multi column layouts, and forms without structural distortion.

  • Document Retrieval and Semantic Linking Efficient multi page chunking with cross reference recognition and content traceability.

  • Multimodal Long Reasoning Supports advanced document question answering and reasoning across long input streams such as slides and manuscripts.


👉 This model is a stage progression model, and it may currently contain artifacts.


Example Preview

[1] Markdown HTML

Input ImageMarkdown Preview Page 1Markdown Preview Page 2
1Page1Page2

[2] JSON Nodes

Input ImageNode Preview Page 1Node Preview Page 2
1Page1Page2

[3] YAML Nodes

Input ImageNode Preview Page 1Node Preview Page 2
inputPage1Page2

Quick Start with Transformers

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/proxima-ocr-d.markdown-post3.0.l", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/proxima-ocr-d.markdown-post3.0.l")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Convert to Markdown."},
        ],
    }
]

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=2048)
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

  • OCR to Markdown or HTML-Markdown conversion
  • Complex document reconstruction and formatting regeneration
  • Multi page document reasoning and retrieval
  • Table extraction and structured output transformation
  • Mathematical OCR and LaTeX conversion
  • Form extraction and structured entity generation
  • Knowledge base indexing and large document QA
  • Documentation regeneration for enterprise automation

Limitations

  • Accuracy may drop on extremely damaged or poorly scanned images
  • Significant GPU VRAM required for long sequences and multi page documents
  • Language accuracy varies for low resource scripts
  • Complex objects such as mixed orientation blocks may require secondary post processing
  • May occasionally produce formatting misalignment in highly irregular layouts

Training Details

ParameterValue
Dataset Sizeapprox. 544K [ modular combination open source data & synthetic document data entries from Gemini 3 Pro ]
ArchitectureQwen3VLForConditionalGeneration
Training Timeapprox. 17,040 seconds (4 h 44 m)
Precisionbfloat16
Hardware4x H100 SXM (320 GB VRAM)
System Memory752 GB RAM
CPU80 vCPU

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
Qwen3VLForConditionalGeneration
Ревизия весов
1d1d679

0 моделей