/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
560 млн
Размер весов
7,3 ГБ
Лицензия
MIT
Архитектура
unlimited-ocr · dense
Базовая модель
Unlimited-OCR
Библиотека
transformers
Опубликована
29 сен 2026

schift-ocr-1-beta

Генерация текстаТекст → текст5 профессий

Бета-модель Schift для распознавания корейских документов по изображениям страниц с сохранением порядка чтения, таблиц и координат блоков.

623скачиваний за 30 дней16лайковвеса обновлены30 сен 2026

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

schift-ocr-1-beta — бета-модель распознавания корейских документов от Schift, дообученная на базе baidu/Unlimited-OCR. Она принимает изображение страницы и выдаёт текст в порядке чтения, включая таблицы в HTML и координаты блоков разметки. Модель предназначена для оцифровки форм, слайдов, отчётов и публикаций на корейском языке.

В архитектуре используются ветви визуального кодировщика SAM ViT-B и CLIP ViT-L/14, а также декодер MoE в стиле DeepSeek-V2. По данным метаданных, модель содержит 559,7 млн параметров и поддерживает контекст до 32 768 токенов. Дообучение было сфокусировано на экспертных слоях, обрабатывающих содержимое таблиц. В тестах авторов особенно заметно снизилась частота ошибок на печатных корейских формах относительно базовой модели; результаты на слайдах и общих документах зависят от нормализации разметки и полноты эталонных текстов.

Это открытая бета-версия с весами по лицензии MIT; улучшенная версия доступна только через API Schift. Очень длинные страницы могут приводить к повторению текста, а в крупных таблицах с объединёнными ячейками возможны ошибки в числе ячеек строк.

Сценарии применения

  • распознавание текста на сканах корейских банковских форм
  • извлечение текста и таблиц из корейских документов
  • оцифровка корейских лекционных слайдов
  • разбор корейских отчётов и публикаций по изображениям страниц

Ограничения

На очень длинных страницах модель может повторять текст; в крупных таблицах с объединёнными ячейками возможны строки с неправильным числом ячеек. Результаты на слайдах и общих документах чувствительны к нормализации разметки, а часть эталонов для слайдов неполная.

Для каких профессий подходит5

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

schift-ocr-1-beta

Beta open-weights release. A better version is served only through the Schift API.

schift-ocr-1-beta is a Korean document OCR model fine-tuned from baidu/Unlimited-OCR. It reads a page image and writes the page as text in reading order, with HTML tables and a layout box for every block.

Architecture

PartDetails
Vision encoderSame as the base model: a SAM ViT-B branch (12 layers) and a CLIP ViT-L/14 branch (24 layers). A linear projector maps them into the decoder.
DecoderDeepSeek-V2-style mixture-of-experts (MoE) decoder: 12 layers, hidden size 1280, 10 attention heads. The first layer is dense.
Experts72 routed experts per MoE layer: the base model's 64 plus 8 added experts. Each token uses the top 6, plus 2 shared experts.
Attention windowWhile writing, each token sees the whole image and prompt, plus the last 128 generated tokens. Memory does not grow with output length.
SizeAbout 3.6B parameters, BF16. Vocabulary 129,280 tokens.

Fine-tuning on Korean documents focused on the expert feed-forward layers that table content is routed to. The router stays as in the base model.

Results

We report the character error rate (CER). It is the edit distance divided by the reference length, capped at 1.0 per page, averaged over pages. Lower is better. All models were run at temperature 0 on the same page images.

  • Printed forms: 60 scanned Korean bank and finance forms.
  • Slides: 100 Korean lecture slides.
  • General: 100 pages of Korean reports and publications.
ModelPrinted formsSlidesGeneral
schift-ocr-1-beta0.0670.2170.191
baidu/Unlimited-OCR (base)0.1350.2280.219
MinerU2.5-Pro-2605-1.2B0.0910.2220.164
PaddleOCR-VL-1.60.1550.2580.161
Gemini 3.1 flash-lite0.1520.3910.178
Meta Muse Spark 1.30.1590.4100.132

Compared with the base model, errors drop by 50% on printed forms, 5% on slides and 13% on general documents.

The Slides and General scores depend on how Markdown markup in each model's output is normalized, and several slide references are incomplete, so we do not claim a lead on those two sets.

Usage

vLLM

Use a vLLM build that includes the Unlimited-OCR model. See the base model card for Docker images. We checked this command with vLLM's unlimited_ocr.py from commit 7aaf016a1.

vllm serve schift-io/schift-ocr-1-beta --trust-remote-code --max-model-len 32768

Send the page image with the text prompt <image>document parsing. to the OpenAI-compatible chat endpoint. Use temperature=0, repetition_penalty=1.0 and max_tokens up to 16384.

Transformers

import torch
from transformers import AutoModel, AutoTokenizer

name = "schift-io/schift-ocr-1-beta"
tokenizer = AutoTokenizer.from_pretrained(name, trust_remote_code=True)
model = AutoModel.from_pretrained(
    name, trust_remote_code=True, use_safetensors=True, dtype=torch.bfloat16
).eval().cuda()

text = model.infer(
    tokenizer,
    prompt="<image>document parsing.",
    image_file="page.png",
    output_path="out",
    base_size=1024, image_size=640, crop_mode=True,
    max_length=16384,
    eval_mode=True,  # return the raw output
)
print(text)

Output format

Each block starts with its type and a box in 0–1000 page coordinates, then the content:

<|det|>title [132, 68, 310, 86]<|/det|>3. 조회에 관한 사항
<|det|>table [80, 94, 938, 382]<|/det|><table><tr><td>조회 대상 기관</td>...</tr></table>

Limitations (beta)

  • Very long pages can end in repeated text.
  • Large tables with many merged cells can come out with rows that have the wrong number of cells.

License

MIT, inherited from baidu/Unlimited-OCR. The base model's LICENSE is included.

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
UnlimitedOCRForCausalLM
Ревизия весов
8fc26dc

0 моделей