/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B
Библиотека
transformers
Опубликована
10 ноя 2025

typhoon-ocr1.5-3b-qat

Изображение и текст → текст7 профессий

Мультимодальная OCR-модель на базе Qwen2.5-VL-3B для извлечения текста и структурирования англо-тайских документов, оптимизированная QAT для последующей низкобитной квантовки.

429скачиваний за 30 дней2лайкавеса обновлены14 ноя 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 «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

Typhoon-OCR-1.5-3B-QAT — мультимодальная модель для распознавания текста и разбора документов, разработанная Typhoon AI на базе Qwen2.5-VL-3B. Это версия с обучением с учётом квантования (QAT), выпущенная в формате bfloat16 и предназначенная для последующего преобразования в низкую точность, например 4-битную, с меньшей потерей качества. Архитектура — плотная vision-language модель Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов.

Модель рассчитана на OCR на английском и тайском языках, включая рукописные заметки, формы, таблицы, чеки, диаграммы и документы со сложной или нерегулярной разметкой. Она предназначена для запуска на устройствах с ограниченными ресурсами и должна использоваться с предусмотренным форматом промпта. Это специализированная OCR-модель, а не универсальная система визуальных вопросов и ответов; в результатах возможны галлюцинации, поэтому их следует проверять перед производственным использованием. Лицензия — Apache-2.0.

Сценарии применения

  • распознавание печатного и рукописного текста на английском и тайском языках
  • извлечение данных из форм и чеков
  • разбор таблиц и документов со сложной разметкой
  • извлечение текста из диаграмм и графиков
  • подготовка OCR-модели к 4-битному запуску на устройстве

Ограничения

Модель специализирована для OCR и требует предусмотренного формата промпта; она не предназначена для общего визуального вопросно-ответного режима. Возможны галлюцинации, поэтому результаты нужно проверять.

Для каких профессий подходит7

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

Typhoon-OCR-1.5-3B-QAT

A quantization-aware trained (QAT) version of Typhoon OCR v1.5, designed for robust and efficient on-device vision-language OCR in English and Thai.
This release maintains strong accuracy while significantly improving performance when running under low-bit quantization (e.g., 4-bit), making it ideal for lightweight environments.

This model is released in bfloat16 and is intended to be used as the pre-quantization base before converting to low-bit formats.
For the 4-bit model, please use the Ollama build here:
https://ollama.com/scb10x/typhoon-ocr1.5-3b

QAT is applied on top of Qwen2.5-VL-3B, enabling improved stability and reduced degradation when deployed below 16-bit precision.

4-bit Ollama version: https://ollama.com/scb10x/typhoon-ocr1.5-3b
Base FP16 model: https://huggingface.co/scb10x/typhoon-ocr1.5-2b

Try our demo available on Demo

Code / Examples available on Github

Release Blog available on OpenTyphoon Blog


Highlights

  • Quantization-Aware Training (QAT): Maintains strong OCR accuracy even under aggressive quantization.
  • Optimized for On-Device Inference: Faster and more consistent performance on low-resource hardware.
  • Enhanced Handwriting & Form Parsing: Retains the v1.5 improvements in handling handwritten notes, forms, irregular layouts, and structured documents.
  • Supports Text-Rich & Image-Rich Documents: Effective on tables, diagrams, annotated pages, charts, receipts, and dense reports.
  • Thai + English Multilingual OCR: Trained for reliable extraction across bilingual real-world documents.

Intended Use

This is a task-specific OCR model and is intended to be used only with the provided prompt format.
It does not include general VQA or safety guardrails.
Some hallucination may still occur, and users should validate outputs for production scenarios.


Quick Links


Prompting

prompt = """Extract all text from the image.

Instructions:
- Only return the clean Markdown.
- Do not include any explanation or extra text.
- You must include all information on the page.

Formatting Rules:
- Tables: Render tables using <table>...</table> in clean HTML format.
- Equations: Render equations using LaTeX syntax with inline ($...$) and block ($$...$$).
- Images/Charts/Diagrams: Wrap any clearly defined visual areas (e.g. charts, diagrams, pictures) in:

<figure>
Describe the image's main elements (people, objects, text), note any contextual clues (place, event, culture), mention visible text and its meaning, provide deeper analysis when relevant (especially for financial charts, graphs, or documents), comment on style or architecture if relevant, then give a concise overall summary. Describe in Thai.
</figure>

- Page Numbers: Wrap page numbers in <page_number>...</page_number> (e.g., <page_number>14</page_number>).
- Checkboxes: Use ☐ for unchecked and ☑ for checked boxes."""

Quickstart (Ollama)

ollama run scb10x/typhoon-ocr1.5-3b

Support & Community


Citation

If you use Typhoon OCR or Typhoon models, please cite:

@misc{typhoon2,
  title={Typhoon 2: A Family of Open Text and Multimodal Thai Large Language Models},
  author={Kunat Pipatanakul et al.},
  year={2024},
  eprint={2412.13702},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

@misc{nonesung2025thaiocrbench,
  title={ThaiOCRBench: A Task-Diverse Benchmark for Vision-Language Understanding in Thai},
  author={Surapon Nonesung et al.},
  year={2025},
  eprint={2511.04479},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

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
00f69dc

0 моделей