/ Модель

Характеристики

Контекст
655 380 токенов
Размер весов
4 МБ
Архитектура
glm_ocr · dense
Базовая модель
GLM-OCR
Библиотека
transformers
Опубликована
14 фев 2026

glm-ocr

Изображение и текст → текст3 профессии

Миниатюрная случайно инициализированная мультимодальная модель на основе GLM-OCR для отладки загрузки и интеграции image-text-to-text пайплайна.

728скачиваний за 30 дней0лайковвеса обновлены14 фев 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

tiny-random/glm-ocr — экспериментальная миниатюрная модель, созданная на основе конфигурации zai-org/GLM-OCR и предназначенная для отладки совместимости архитектуры и кода. Модель реализует мультимодальное преобразование изображения и текста в текст и подключается через библиотеку Transformers; размер файла весов составляет около 3,8 МБ.

Архитектура включает зрительный модуль и языковую модель для условной генерации, но параметры модели случайно инициализированы. Поэтому она не предназначена для качественного OCR, описания изображений или прикладного инференса и может использоваться главным образом для проверки загрузки, процессора, генерации и интеграции GLM-OCR. Лицензия в предоставленных данных не указана.

Сценарии применения

  • проверка загрузки GLM-OCR в Transformers
  • отладка мультимодального процессора изображений и текста
  • тестирование вызова генерации для image-text-to-text
  • проверка совместимости архитектуры перед использованием полноразмерной модели

Ограничения

Весы модели случайно инициализированы, поэтому она не обеспечивает осмысленное распознавание текста или описание изображений и предназначена только для отладки. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

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

This tiny model is intended for debugging. It is randomly initialized using the configuration adapted from zai-org/GLM-OCR.

File pathSize
model.safetensors3.8MB

Example usage:

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "tiny-random/glm-ocr"
model = AutoModelForImageTextToText.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="cuda",
)
processor = AutoProcessor.from_pretrained(model_id)
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)
inputs.pop("token_type_ids", None)
generated_ids = model.generate(**inputs, max_new_tokens=16)
output_text = processor.decode(generated_ids[0], skip_special_tokens=False)
print(output_text)

Codes to create this repo:

import json
from copy import deepcopy
from pathlib import Path

import accelerate
import torch
import torch.nn as nn
from huggingface_hub import file_exists, hf_hub_download
from transformers import (
    AutoConfig,
    AutoModelForCausalLM,
    AutoProcessor,
    GenerationConfig,
    GlmOcrForConditionalGeneration,
    set_seed,
)

source_model_id = "zai-org/GLM-OCR"
save_folder = "/tmp/tiny-random/glm-ocr"

processor = AutoProcessor.from_pretrained(
    source_model_id, trust_remote_code=True)
processor.save_pretrained(save_folder)

with open(hf_hub_download(source_model_id, filename='config.json', repo_type='model'), 'r', encoding='utf-8') as f:
    config_json: dict = json.load(f)

config_json['text_config'].update({
    "head_dim": 32,
    "hidden_size": 8,
    "intermediate_size": 64,
    "num_attention_heads": 8,
    "num_hidden_layers": 2,
    "num_key_value_heads": 4,
    "rope_parameters": {
        "rope_type": "default",
        "mrope_section": [4, 4, 8],
        "partial_rotary_factor": 1.0,
        "rope_theta": 10000,
    },
})
config_json['vision_config'].update({
    "hidden_size": 32,
    "depth": 2,
    "num_heads": 1,
    "intermediate_size": 64,
    "out_hidden_size": 8,
})
with open(f"{save_folder}/config.json", "w", encoding='utf-8') as f:
    json.dump(config_json, f, indent=2)

config = AutoConfig.from_pretrained(
    save_folder,
    trust_remote_code=True,
)
print(config)
torch.set_default_dtype(torch.bfloat16)
model = GlmOcrForConditionalGeneration(config)
torch.set_default_dtype(torch.float32)

if file_exists(filename="generation_config.json", repo_id=source_model_id, repo_type='model'):
    model.generation_config = GenerationConfig.from_pretrained(
        source_model_id, trust_remote_code=True,
    )
    model.generation_config.do_sample = True
    print(model.generation_config)

model = model.cpu()
set_seed(42)
n_params = sum(p.numel() for p in model.parameters())
with torch.no_grad():
    for name, p in sorted(model.named_parameters()):
        torch.nn.init.normal_(p, 0, 0.1)
        print(name, p.shape, p.numel() / n_params * 100, '%')
# MTP
set_seed(42)
config = config.get_text_config()
model.model.language_model.layers.append(nn.ModuleDict(dict(
    shared_head=nn.ModuleDict(dict(
        norm=nn.RMSNorm(config.hidden_size),
        head=deepcopy(model.model.language_model.embed_tokens),
    )),
    embed_tokens=deepcopy(model.model.language_model.embed_tokens),
    eh_proj=nn.Linear(config.hidden_size * 2,
                      config.hidden_size, bias=False),
    enorm=nn.RMSNorm(config.hidden_size),
    hnorm=nn.RMSNorm(config.hidden_size),
    input_layernorm=nn.RMSNorm(config.hidden_size),
    post_mlp_layernorm=nn.RMSNorm(config.hidden_size),
    post_attention_layernorm=nn.RMSNorm(config.hidden_size),
    post_self_attn_layernorm=nn.RMSNorm(config.hidden_size),
    self_attn=deepcopy(model.model.language_model.layers[1].self_attn),
    mlp=deepcopy(model.model.language_model.layers[1].mlp),
)))
# for i in range(1, len(model.model.language_model.layers)):
#     model.model.language_model.layers[i].mlp.gate.e_score_correction_bias = torch.rand_like(
#         model.model.language_model.layers[i].mlp.gate.e_score_correction_bias).float()
model.save_pretrained(save_folder)
print(model)

Printing the model:

GlmOcrForConditionalGeneration(
  (model): GlmOcrModel(
    (visual): GlmOcrVisionModel(
      (patch_embed): GlmOcrVisionPatchEmbed(
        (proj): Conv3d(3, 32, kernel_size=(2, 14, 14), stride=(2, 14, 14))
      )
      (rotary_pos_emb): GlmOcrVisionRotaryEmbedding()
      (blocks): ModuleList(
        (0-1): 2 x GlmOcrVisionBlock(
          (norm1): GlmOcrRMSNorm((32,), eps=1e-05)
          (norm2): GlmOcrRMSNorm((32,), eps=1e-05)
          (attn): GlmOcrVisionAttention(
            (qkv): Linear(in_features=32, out_features=96, bias=True)
            (proj): Linear(in_features=32, out_features=32, bias=True)
            (q_norm): GlmOcrRMSNorm((32,), eps=1e-05)
            (k_norm): GlmOcrRMSNorm((32,), eps=1e-05)
          )
          (mlp): GlmOcrVisionMlp(
            (gate_proj): Linear(in_features=32, out_features=64, bias=True)
            (up_proj): Linear(in_features=32, out_features=64, bias=True)
            (down_proj): Linear(in_features=64, out_features=32, bias=True)
            (act_fn): SiLUActivation()
          )
        )
      )
      (merger): GlmOcrVisionPatchMerger(
        (proj): Linear(in_features=8, out_features=8, bias=False)
        (post_projection_norm): LayerNorm((8,), eps=1e-05, elementwise_affine=True)
        (gate_proj): Linear(in_features=8, out_features=24, bias=False)
        (up_proj): Linear(in_features=8, out_features=24, bias=False)
        (down_proj): Linear(in_features=24, out_features=8, bias=False)
        (act1): GELU(approximate='none')
        (act_fn): SiLUActivation()
      )
      (downsample): Conv2d(32, 8, kernel_size=(2, 2), stride=(2, 2))
      (post_layernorm): GlmOcrRMSNorm((32,), eps=1e-05)
    )
    (language_model): GlmOcrTextModel(
      (embed_tokens): Embedding(59392, 8, padding_idx=59246)
      (layers): ModuleList(
        (0-1): 2 x GlmOcrTextDecoderLayer(
          (self_attn): GlmOcrTextAttention(
            (q_proj): Linear(in_features=8, out_features=256, bias=False)
            (k_proj): Linear(in_features=8, out_features=128, bias=False)
            (v_proj): Linear(in_features=8, out_features=128, bias=False)
            (o_proj): Linear(in_features=256, out_features=8, bias=False)
          )
          (mlp): GlmOcrTextMLP(
            (gate_up_proj): Linear(in_features=8, out_features=128, bias=False)
            (down_proj): Linear(in_features=64, out_features=8, bias=False)
            (activation_fn): SiLUActivation()
          )
          (input_layernorm): GlmOcrRMSNorm((8,), eps=1e-05)
          (post_attention_layernorm): GlmOcrRMSNorm((8,), eps=1e-05)
          (post_self_attn_layernorm): GlmOcrRMSNorm((8,), eps=1e-05)
          (post_mlp_layernorm): GlmOcrRMSNorm((8,), eps=1e-05)
        )
        (2): ModuleDict(
          (shared_head): ModuleDict(
            (norm): RMSNorm((8,), eps=None, elementwise_affine=True)
            (head): Embedding(59392, 8, padding_idx=59246)
          )
          (embed_tokens): Embedding(59392, 8, padding_idx=59246)
          (eh_proj): Linear(in_features=16, out_features=8, bias=False)
          (enorm): RMSNorm((8,), eps=None, elementwise_affine=True)
          (hnorm): RMSNorm((8,), eps=None, elementwise_affine=True)
          (input_layernorm): RMSNorm((8,), eps=None, elementwise_affine=True)
          (post_mlp_layernorm): RMSNorm((8,), eps=None, elementwise_affine=True)
          (post_attention_layernorm): RMSNorm((8,), eps=None, elementwise_affine=True)
          (post_self_attn_layernorm): RMSNorm((8,), eps=None, elementwise_affine=True)
          (self_attn): GlmOcrTextAttention(
            (q_proj): Linear(in_features=8, out_features=256, bias=False)
            (k_proj): Linear(in_features=8, out_features=128, bias=False)
            (v_proj): Linear(in_features=8, out_features=128, bias=False)
            (o_proj): Linear(in_features=256, out_features=8, bias=False)
          )
          (mlp): GlmOcrTextMLP(
            (gate_up_proj): Linear(in_features=8, out_features=128, bias=False)
            (down_proj): Linear(in_features=64, out_features=8, bias=False)
            (activation_fn): SiLUActivation()
          )
        )
      )
      (norm): GlmOcrRMSNorm((8,), eps=1e-05)
      (rotary_emb): GlmOcrTextRotaryEmbedding()
    )
  )
  (lm_head): Linear(in_features=8, out_features=59392, bias=False)
)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GlmOcrForConditionalGeneration
Ревизия весов
c5282ed

0 моделей