/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
PaddleOCR-VL-1.6
Библиотека
transformers
Опубликована
5 авг 2026

PaddleOCR-VL-1.6-Vietnamese-Merged

Описание изображенийИзображение → текст

Модель на основе PaddleOCR-VL-1.6 для извлечения текста из изображений документов на вьетнамском языке.

0скачиваний за 30 дней2лайкавеса обновлены5 авг 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

PaddleOCR-VL-1.6 Vietnamese Merged — модель для OCR на вьетнамском языке, созданная автором репозитория на основе PaddlePaddle/PaddleOCR-VL-1.6. Веса адаптера LoRA объединены с базовой моделью; для запуска адаптер отдельно не нужен. Модель принимает изображение документа и по точному запросу «OCR:» извлекает его содержимое, используя встроенный мультимодальный шаблон диалога.

В репозитории опубликованы веса BF16 в формате safetensors. В оценке на 160 примерах из пяти источников CER составил 0,066, а точное совпадение — 0,5125; на той же выборке у базовой модели CER был 0,234, а точное совпадение — 0,1375. Результаты характеризуют только описанную выборку и не гарантируют аналогичного качества на других документах. Модель основана на PaddleOCR-VL-1.6 и распространяется по лицензии Apache-2.0.

Сценарии применения

  • распознавание вьетнамского текста на сканах документов
  • извлечение текста из фотографий документов
  • OCR для вьетнамских форм и печатных материалов

Ограничения

Оценка проведена на 160 примерах из пяти источников, поэтому её результаты не обязательно отражают качество на других типах документов. Для инференса требуется использовать точный запрос «OCR:» и встроенный мультимодальный шаблон диалога.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PaddleOCR-VL-1.6 Vietnamese Merged

Full BF16 model produced by merging the Vietnamese LoRA adapter into PaddlePaddle/PaddleOCR-VL-1.6. This repository is standalone; the LoRA adapter is not required at inference time.

Use the exact user prompt OCR: and preserve the included native multimodal chat template.

Loading and inference

The verified environment used Python 3.12, PyTorch 2.11.0+cu128, Transformers 4.55.4, and a CUDA GPU.

import os

os.environ.setdefault("CUBLAS_WORKSPACE_CONFIG", ":4096:8")

import torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor

model_id = "tieubaoca/PaddleOCR-VL-1.6-Vietnamese-Merged"
processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
    use_fast=False,
)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    attn_implementation="eager",
).to("cuda").eval()

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "document.png"},
            {"type": "text", "text": "OCR:"},
        ],
    }
]
prompt = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
with Image.open("document.png") as source:
    image = source.convert("RGB").copy()
inputs = processor(text=[prompt], images=[image], return_tensors="pt")
inputs = {name: value.to("cuda") for name, value in inputs.items()}
prompt_length = inputs["input_ids"].shape[1]

with torch.inference_mode():
    generated_ids = model.generate(
        **inputs,
        do_sample=False,
        num_beams=1,
        max_new_tokens=256,
        use_cache=True,
    )
text = processor.batch_decode(
    generated_ids[:, prompt_length:],
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0].strip()
print(text)

Evaluation

Deterministic greedy decoding with the native processor and chat template, 32 fixed validation samples from each of five sources, and 256 maximum new tokens.

ModelSamplesCERExact matchNormalized edit distance
PaddleOCR-VL-1.6 base1600.2340650.1375000.755668
Vietnamese merged model1600.0660290.5125000.941240

Merged per-source metrics:

SourceSamplesCERExact matchNormalized edit distance
source-000320.0913640.0625000.910921
source-001320.0960000.7812500.910813
source-002320.0703550.3125000.932029
source-003320.0443080.7187500.964717
source-004320.0155040.6875000.987720

Merge verification

  • All 126 LoRA-targeted tensors were merged.
  • The exported weights matched the in-memory merged model after BF16 output casting within rtol=0.0005 and atol=0.0005.
  • Exported and in-memory merged logits were identical on the verification fixture (max_abs_error=0.0, equal argmax).

The original PaddleOCR-VL-1.6 license is included as LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
4df152b

0 моделей