/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
560 млн
Лицензия
MIT
Архитектура
unlimited-ocr · dense
Базовая модель
Unlimited-OCR
Библиотека
vllm
Опубликована
18 авг 2026

Unlimited-OCR-Community-FP8-Dynamic

Генерация текстаТекст → текст11 профессий

Unlimited-OCR-Community-FP8-Dynamic — неофициальная общественная FP8-квантизованная версия модели baidu/Unlimited-OCR, разработанной Baidu.

688скачиваний за 30 дней1лайквеса обновлены16 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

Квантизацию выполнила ShadowRock, автор — Matt Busi. Модель предназначена для OCR и структурированного разбора документов по изображениям, включая счета, служебные записки и табличные отчёты, с поддержкой координат областей текста.

Это мультимодальная vision-language модель размером 3,34 млрд параметров с MoE-архитектурой в стиле DeepSeek-V2. Она использует визуальный тракт на базе SAM-ViT-B и CLIP-L DeepEncoder с проектором, а также текстовый декодер. Применена схема FP8_DYNAMIC W8A8: веса линейных слоёв текстового декодера квантизованы в FP8, активации масштабируются динамически; визуальный тракт, эмбеддинги, выходная голова, маршрутизаторы MoE и нормализации сохранены в BF16. Заявлена мультиязычность, однако конкретный перечень языков и размер контекста в README не указаны.

Основные преимущества версии — уменьшение размера чекпойнта с 6,7 до 3,9 ГБ и поддержка нативного FP8-выполнения на GPU Ada, Hopper и Blackwell. На небольшом наборе синтетических документов результаты жадного OCR совпали с BF16-базой посимвольно: CER составил 0,0 для всех тестовых примеров. Измеренная скорость декодирования — около 39,4 токена в секунду на RTX 5070 Ti с vLLM 0.26.0, что ниже показателя BF16 45,3 токена в секунду. Полноценные гарантии качества на реальных данных, ограничения по разрешению, контексту и языкам README не описывает.

Модель распространяется по лицензии MIT. Это community-сборка, не официальный релиз Baidu; изменена числовая точность весов текстового декодера, поэтому совместимость и качество следует проверять в целевой конфигурации. Для запуска указана интеграция с Transformers и vLLM, требуется разрешение удалённого кода.

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

Unlimited-OCR — Community FP8-Dynamic

Unofficial community quantization — not a Baidu release.

FP8 W8A8 build of baidu/Unlimited-OCR (revision 07dea832), the 3.34B DeepSeek-V2-style MoE OCR model ("one-shot long-horizon parsing"), validated against a BF16 baseline of the published checkpoint. All credit for the model belongs to Baidu; this repo changes only the numeric precision of the text-decoder weights. Checkpoint size drops from 6.7 GB to 3.9 GB.

Pick this variant for Ada/Hopper/Blackwell GPUs where you want near-lossless behavior with native FP8 execution. The companion NVFP4 build — calibrated, unlike prior community 4-bit builds — shrinks the footprint further for memory-constrained Blackwell deployments.

What is quantized

Scheme: FP8_DYNAMIC via llm-compressor — per-channel FP8 weights, dynamic per-token FP8 activations, data-free. Only the DeepSeek-V2 MoE text-decoder linears are quantized (2196 modules: 2112 routed-expert, 33 shared-expert/dense-MLP, 48 attention, 3 dense-layer). Everything the vision path depends on stays BF16:

  • SAM-ViT-B + CLIP-L DeepEncoder vision tower and projector
  • embed_tokens / lm_head
  • MoE router gates and all norms

Validation

Greedy OCR on the fixture set (vLLM 0.26.0, SM120) is character-identical to the BF16 baseline — CER 0.0 on every fixture, grounding-box coordinates included. The same parity holds under transformers + compressed-tensors.

BF16FP8-Dynamic (this repo)
Mean CER vs BF16—0.0000
invoice / memo / table CER—0.0 / 0.0 / 0.0
Decode throughput (tok/s, greedy)45.339.4
Checkpoint size6.7 GB3.9 GB

Raw per-fixture transcripts ship under evidence/, produced by the validation harness.

Note: the shipped quantization_config.ignore uses prefix-agnostic regex patterns — required for vLLM to correctly skip the vision tower for quantization compatibility. Do not replace it with expanded module names.

Usage

import torch
from transformers import AutoModel, AutoTokenizer

repo = "shadowrock-io/Unlimited-OCR-Community-FP8-Dynamic"
tok = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModel.from_pretrained(repo, trust_remote_code=True,
                                  torch_dtype=torch.bfloat16, device_map="cuda").eval()
text = model.infer(tok, prompt="<image>\n<|grounding|>OCR this image.",
                   image_file="document.png", output_path="./out",
                   base_size=1024, image_size=1024, crop_mode=False, eval_mode=True)

About

Quantized by Matt Busi at ShadowRock. Raw evaluation outputs ship under evidence/.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; запуск откроется после проверки совместимости.

Класс архитектуры
UnlimitedOCRForCausalLM
Ревизия весов
588084d

0 моделей