/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
florence2 · dense
Опубликована
5 мар 2025

visualheist-base

Генерация текстаТекст → текст3 профессии

VisualHeist-base — дообученная на Florence-2 модель для обнаружения и извлечения таблиц и иллюстраций со страниц научных PDF.

368скачиваний за 30 дней1лайквеса обновлены27 окт 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 «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

VisualHeist-base — модель компьютерного зрения для извлечения таблиц и иллюстраций из страниц PDF-статей. Её разработали на основе контрольных точек Microsoft Florence-2; модель дообучена на 3 435 иллюстрациях и 1 716 таблицах из 110 научных статей с вручную размеченными рамками объектов. Версия base содержит 0,23 млрд параметров и рекомендована для систем с ограниченной оперативной памятью.

Модель принимает изображение одной страницы статьи и выдаёт текстовое описание с разметкой обнаруженных объектов, позволяющее выделить таблицы и фигуры для последующего сохранения в виде отдельных изображений. Она предназначена для автоматизации разбора научных PDF, в том числе публикаций по химии, материаловедению, биологии и смежным областям. В метаданных указана архитектура Florence-2 и задача image-text-to-text; репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

Оценки F1 в README приведены для версии visualheist-large, поэтому их нельзя напрямую считать результатами base. Модель обучена на статьях и страницах документов; её применимость к другим типам изображений не установлена.

Сценарии применения

  • поиск таблиц на страницах научных статей
  • извлечение графиков и иллюстраций из PDF-страниц
  • разметка рамками таблиц и фигур в научных документах
  • подготовка отдельных изображений таблиц и фигур для анализа

Ограничения

Оценочные результаты в README относятся к версии large, а не base. Обучение ориентировано на страницы научных статей, поэтому качество на других типах документов и изображений не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VisualHeist - figure, scheme and table segmentation from PDFs (with captions, headers & footnotes)

Model Summary

VisualHeist is an object detection model finetuned to extract tables and figures from PDFs. VisualHeist has two versions:

  • visualheist-base[HF] (0.23B)
  • visualheist-large[HF] (0.77B)

The base model is recommended if you are running it on low-RAM systems

The models are finetuned from microsoft/Florence-2 checkpoints. VisualHeist is inspired by and adapted from yifeihu/TF-ID

  • The models were finetuned with 3435 figures and 1716 tables from 110 PDF articles across various publishers. All bounding boxes are manually annotated using CoCo Annotator.
  • TF-ID models take an image of a single paper page as the input, and return image files for all figures, schemes and tables in the given page.

Training Code and Dataset

Benchmarks

We manually curated a diverse evaluation dataset consisting of 121 literature articles covering a range of topics, including organic and inorganic chemistry, atmospheric science, batteries, materials science, metal-organic frameworks (MOFs), biology, and science education. These PDFs, published between 1949 and 2025, include both main articles and supplementary materials.

We also additionally curated another collection of 98 literature articles (MERMaid-100) reporting novel reaction methodologies that spans three distinct chemical domains: organic electrosynthesis, photocatalysis, and organic synthesis.

Additional performance discussion can be found from our preprint article

The full DOI lists can be downloaded from ourZenodo repository.

The evaluation results for visualheist-large are:

Total ImagesF1 score
All193593%
Main42396%
pre-200026093%
Supplementary Materials125292%
MERMaid-10010099%

Running the Model

Refer to our github repository for detailed instructions on how to run the model

BibTex and citation info

<To be updated with our archive citation> 

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Florence2ForConditionalGeneration
Ревизия весов
0e4464d

0 моделей