/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
32 млрд
Размер весов
66,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-32B-Instruct
Библиотека
transformers
Опубликована
19 мар 2026

Stockmark-DocReasoner-Qwen2.5-VL-32B

Изображение и текст → текст3 профессии

Мультимодальная модель Stockmark для анализа и рассуждений по японским деловым и производственным документам, включая таблицы, схемы и чертежи.

105скачиваний за 30 дней0лайковвеса обновлены7 апр 2026

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

Stockmark-DocReasoner-Qwen2.5-VL-32B — мультимодальная модель Stockmark Inc., дообученная на базе Qwen2.5-VL-32B-Instruct для понимания и анализа японских документов, особенно в производственной отрасли. Она принимает изображения документов и текстовые запросы, а в ответ формулирует текст с рассуждениями и извлечённой информацией.

Модель предназначена для работы с технической документацией, инженерными чертежами, экспериментальными отчётами, деловыми документами, таблицами, графиками и схемами. Она поддерживает диалог и визуальный анализ, а карточка указывает контекст до 128 000 токенов. Для запуска в Transformers требуется версия 4.49.0 или новее; также описан запуск через vLLM.

Модель содержит 32 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Её специализация на японских производственных и деловых документах ограничивает применимость за пределами этих сценариев; опубликованные в README таблицы результатов оценки опущены, поэтому численные показатели качества здесь не приводятся.

Сценарии применения

  • ответы на вопросы по японским техническим документам
  • извлечение сведений из инженерных чертежей
  • анализ таблиц и графиков в деловых документах
  • поиск неявной информации в производственных отчётах
  • разбор японских бизнес-презентаций и слайдов

Ограничения

Модель специализирована на японских документах и производственных сценариях, поэтому её пригодность для других языков и областей не подтверждена. Численные результаты бенчмарков в предоставленной карточке опущены.

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

Stockmark-DocReasoner-Qwen2.5-VL-32B

Model Language Task Task License

Introduction

Stockmark-DocReasoner-Qwen2.5-VL-32B is a vision-language model specialized for Japanese document understanding and reasoning, particularly in the manufacturing domain.

Built on top of Qwen2.5-VL-32B-Instruct, the model is further trained to acquire:

  • Explicit Chain-of-Thought (CoT) reasoning ("thinking") capability
  • Multi-modal understanding across documents, charts, tables, and diagrams
  • Domain-specific knowledge for manufacturing and business documents

It is designed to extract implicit knowledge from visually rich and structurally complex documents such as:

  • Technical documentation
  • Engineering design drawing
  • Experimental reports
  • Business documents

This project is supported by GENIAC.

Evaluation

We evaluated Japanese document understanding performance using the following three benchmarks:

All benchmark evaluation were performed using llm-jp-eval-mm and adopted the LLM-as-a-judge score as the comparison metric (using gpt-4o-2024-11-20 as judge model). Additionally, given the practical requirements for answer accuracy in business-domain VQA, we employed a binary scoring criterion when evaluating JA-Business-Doc-RQ-Bench and BusinessSlideVQA, and redesigned a prompt incorporating specific requirements (please refer to JA-Business-Doc-RQ-Bench for details).

JA-Business-Doc-RQ-Bench

JDocQA

BusinessSlideVQA

Quickstart

Inference using 🤗Transformers

Please make sure to have transformers>=4.49.0 installed.

pip install transformers>=4.49.0 accelerate torchvision qwen-vl-utils flash-attn

The following is a code snippet demonstrating how to use Stockmark-DocReasoner-Qwen2.5-VL-32B in pure transformers.

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "stockmark/Stockmark-DocReasoner-Qwen2.5-VL-32B",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)

processor = AutoProcessor.from_pretrained("stockmark/Stockmark-DocReasoner-Qwen2.5-VL-32B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "assets/demo.png",
            },
            {"type": "text", "text": "30歳未満の社員に対するアンケート回答結果で、最も割合が高かった「使用頻度」は何ですか?"},
        ],
    }
]

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=1024)
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)


Inference using vLLM

The following is a code snippet demonstrating how to use Stockmark-DocReasoner-Qwen2.5-VL-32B in vLLM.

import os
from transformers import AutoProcessor
from qwen_vl_utils import process_vision_info
from vllm import LLM, SamplingParams

os.environ["VLLM_WORKER_MULTIPROC_METHOD"] = "spawn"

def main():
    
    llm = LLM(
        model="stockmark/Stockmark-DocReasoner-Qwen2.5-VL-32B",
        trust_remote_code=True,
        dtype="bfloat16",
    )
    processor = AutoProcessor.from_pretrained("stockmark/Stockmark-DocReasoner-Qwen2.5-VL-32B")
    message = [
        {
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "image": "assets/demo.png",
                },
                {"type": "text", "text": "30歳未満の社員に対するアンケート回答結果で、最も割合が高かった「使用頻度」は何ですか?"},
            ],
        }
    ]
    texts = processor.apply_chat_template(
        message, tokenize=False, add_generation_prompt=True
    )
    image_inputs, video_inputs = process_vision_info(message)

    mm_data = {}
    if image_inputs is not None:
        mm_data["image"] = image_inputs
    if video_inputs is not None:
        mm_data["video"] = video_inputs
    
    inputs = {
        "prompt": texts,
        "multi_modal_data": mm_data,
    }

    sampling_params = SamplingParams(
        temperature=0,
        max_tokens=1024
    )

    outputs = llm.generate(
        inputs,
        sampling_params=sampling_params,
    )

    answer = outputs[0].outputs[0].text
    print(answer)

if __name__ == "__main__":
    main()

Output Format

Default Thinking Mode

Stockmark-DocReasoner-Qwen2.5-VL-32B outputs structured reasoning by default:

<think>
...reasoning process...
</think>
<answer>
...final answer...
</answer>

Special Inference Modes

In addition to default reasoning outputs, Stockmark-DocReasoner-Qwen2.5-VL-32B supports prompt-based task switching to enable fast and structured inference for downstream applications.

  • STMK HTML: Convert the input document into a structured HTML representation.
  • STMK Markdown: Convert documents into Markdown format.
  • STMK JSON: Extract document content into structured JSON.
  • STMK SMILES: Extract chemical structures from diagrams into SMILES format.

Developed by

Stockmark Inc.

Citation

@misc{stockmark_docreasoner_2026,
  title={Stockmark-DocReasoner-Qwen2.5-VL-32B},
  author={Stockmark Inc.},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
445c725

0 моделей