/ Модель

Характеристики

Контекст
20 480 токенов
Параметры
2,1 млрд
Размер весов
5,8 ГБ
Лицензия
Своя лицензия
Архитектура
youtu_vl · dense
Базовая модель
Youtu-LLM-2B
Библиотека
transformers
Опубликована
23 янв 2026

Youtu-Parsing

Генерация текстаТекст → текст10 профессий

Youtu-Parsing — модель Tencent для распознавания и структурированного извлечения текста, таблиц, формул и диаграмм из изображений документов.

480скачиваний за 30 дней43лайкавеса обновлены29 янв 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 «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

Youtu-Parsing — специализированная модель Tencent для разбора документов, созданная на основе Youtu-LLM 2B. Она сочетает языковую модель с визуальным энкодером динамического разрешения в стиле NaViT и предназначена для извлечения структуры и содержания из изображений документов. Архитектура модели — YoutuVLForConditionalGeneration; число параметров — 2,1 млрд, контекст — до 20 480 токенов. Модель принимает изображения документов и выдаёт текст с распознанным содержимым и его структурой.

Модель локализует текстовые области, восстанавливает порядок чтения и распознаёт текст, таблицы, формулы и диаграммы. Формулы преобразуются в LaTeX, таблицы — в HTML, а диаграммы могут представляться таблицами Markdown, картами мыслей или схемами Mermaid. README заявляет ускорение вывода в 5–11 раз за счёт параллельной обработки токенов и дополнительное ускорение запросов примерно вдвое.

Модель предназначена для анализа документов и исследований и разработок в области понимания документов. В метаданных указан интерфейс Transformers и формат Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в лицензии репозитория.

Сценарии применения

  • извлечение текста и структуры из сканов документов
  • восстановление порядка чтения в многостолбцовых документах
  • преобразование таблиц на изображении в HTML
  • распознавание математических формул с выводом в LaTeX
  • преобразование диаграмм в таблицы или структурированные схемы

Ограничения

Заявленные возможности и ускорение приведены в README; независимые результаты оценки в предоставленных данных отсутствуют. Конкретные условия лицензии типа other требуют проверки в репозитории.

Для каких профессий подходит10

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

📃 License • 👨‍💻 Code • 🖥️ Demo • 📑 Technical Report • 📊 Benchmarks • 🚀 Getting Started

🎯 Introduction

Youtu-Parsing is a specialized document parsing model built upon the open-source Youtu-LLM 2B foundation. By extending the capabilities of the base model with a prompt-guided framework and NaViT-style dynamic visual encoder, Youtu-Parsing offers enhanced parsing capabilities for diverse document elements including text, tables, formulas, and charts. The model incorporates an efficient parallel decoding mechanism that significantly accelerates inference, making it practical for real-world document analysis applications. We share Youtu-Parsing with the community to facilitate research and development in document understanding.

✨ Key Features

📄 Document Structure Preservation

  • Text Localization: Accurately detects and localizes text regions with pixel-level precision, ensuring no content is missed or misplaced across diverse document layouts.
  • Reading Order Restoration: Intelligently reconstructs the logical reading sequence of document content, maintaining proper flow across columns, sections, and pages for coherent understanding.

📊 Advanced Content Recognition

  • Text Recognition: Provides precise text recognition across diverse scenarios.
  • Formula Recognition: Automatically converts mathematical expressions to LaTeX format.
  • Table Recognition: Automatically detects tables and converts them to HTML format.
  • Chart Recognition: Converts charts to markdown tables, mind maps and flow charts to mermaid format.

⚡ High-Performance Inference

  • Token Parallelism: Enables simultaneous inference of multiple tokens for accelerated processing, achieving 5-11x speedup.
  • Query Parallelism: Combines multiple queries together to maximize Token Parallelism benefits, providing an additional 2x speedup on top of Token Parallelism acceleration.

📊 Performance

1. OminiDocBench v1.5

2. olmOCR

🚀 Quick Start

Install packages

conda create -n youtu_parsing python=3.10
conda activate youtu_parsing
pip install git+https://github.com/TencentCloudADP/youtu-parsing.git#subdirectory=youtu_hf_parser

# install the flash-attn2
# For CUDA 12.x + PyTorch 2.6 + Python 3.10 + Linux x86_64:
pip install https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.4.post1/flash_attn-2.7.4.post1+cu12torch2.6cxx11abiFALSE-cp310-cp310-linux_x86_64.whl

# Alternative: Install from PyPI
pip install flash-attn==2.7.0

Usage with transformers

from youtu_hf_parser import YoutuOCRParserHF

# Initialize the parser
parser = YoutuOCRParserHF(
    model_path=model_path,
    enable_angle_correct=True,  # Set to False to disable angle correction
    angle_correct_model_path=angle_correct_model_path
)

# Parse an image
parser.parse_file(input_path=image_path, output_dir=output_dir)

🎨 Visualization

Text Recognition

Formula Recognition

Table Recognition

Chart Recognition

🤝 Acknowledgements

We would like to thank Youtu-LLM, OmniDocBench, olmOCR, dots.ocr, MinerU, PaddleOCR, PSENet for providing model weights, benchmarks and valuable code. We also appreciate everyone's contribution to this open-source project!

📚 Citation

If you find our work useful in your research, please consider citing the following paper:

@article{youtu-parsing,
  title={Youtu-Parsing: Perception, Structuring and Recognition via High-Parallelism Decoding},
  author={Tencent Youtu Lab},
  year={2026},
  eprint={2601.20430},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2601.20430}, 
}

@article{youtu-vl,
  title={Youtu-VL: Unleashing Visual Potential via Unified Vision-Language Supervision},
  author={Tencent Youtu Lab},
  year={2026},
  eprint={2601.19798},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2601.19798}, 
}

@article{youtu-llm,
  title={Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models},
  author={Tencent Youtu Lab},
  year={2025},
  eprint={2512.24618},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2512.24618}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
YoutuVLForConditionalGeneration
Ревизия весов
b82ee76

0 моделей