/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
15 июл 2026

DocShield-4B

Изображение и текст → текст

DocShield-4B — дообученная визуально-языковая модель для обнаружения и локализации подделок в изображениях документов с формированием отчёта о рисках.

37скачиваний за 30 дней0лайковвеса обновлены15 июл 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

DocShield-4B — специализированная визуально-языковая модель vankey для криминалистического анализа подделок в документах и изображениях. Она дообучена на данных RealText-V1 и RealText-V2 на основе Qwen3.5-VL-4B; архитектура — Qwen3_5ForConditionalGeneration с гибридными линейным и полным механизмами внимания. Веса представлены в формате safetensors и точности bfloat16, базовая модель в репозитории не включена.

Модель анализирует визуальные следы изменений, семантические подмены и логические противоречия, а затем формирует структурированный отчёт: заключение о подлинности, оценку риска мошенничества, координаты подозрительных областей и пояснения по каждому фрагменту. Предназначена для проверки сканов и изображений документов, например поиска следов ретуши, несоответствий шрифтов, конфликтов дат и ошибок в ценах или количестве. Поддерживает китайский и английский языки по метаданным карточки. Лицензия — Apache-2.0.

Сценарии применения

  • поиск следов редактирования и монтажа в сканах документов
  • локализация изменённых фрагментов документа с координатами
  • проверка счетов на противоречия в ценах, количестве и скидках
  • выявление подмены характеристик товара в документе
  • формирование заключения о подлинности документа и оценке риска мошенничества

Ограничения

Модель ориентирована на изображения документов и может ошибаться при обнаружении тонких изменений или логических несоответствий; отчёт и оценку риска следует проверять. Для запуска необходима базовая модель Qwen3.5-VL-4B, которая в этом репозитории не включена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DocShield-4B

DocShield-4B is a forensic-grade vision-language model for document / image forgery analysis. It inspects an input document image, reasons over visual tampering traces and logical consistency, and produces a structured forgery-analysis report with localized tampered regions (grounding coordinates), per-region reasoning, an overall conclusion, and a fraud-risk score.

It is fine-tuned from Qwen3.5-VL-4B with supervised training on forensic document-forgery data, and supports Qwen3.5 thinking mode.

📄 Paper: arxiv.org/abs/2604.02694

Training data

DocShield-4B was developed using the RealText forensic document datasets:

Capabilities

  • Visual forgery trace analysis — crude redaction / mosaic, font & anti-aliasing inconsistency, edge halos, copy-paste artifacts, compression mismatches.
  • Logical & fact-checking — price/quantity contradictions, date conflicts, bulk-discount logic violations.
  • Semantic alteration detection — subtle spec substitutions (e.g. color, material) that bypass crude visual checks.
  • Localization — bounding-box coordinates for each tampered region with per-anomaly reasoning.
  • Structured report — conclusion (FORGED / authentic) + fraud-risk score.

Model details

Base modelQwen3.5-VL-4B
ArchitectureQwen3_5ForConditionalGeneration (hybrid linear / full attention)
Precision (weights)bfloat16
Max new tokens1024 (default)
Thinking modesupported (--thinking / --no-thinking)

The base model is not bundled here. This repository only releases the fine-tuned DocShield-4B weights.

Quick start

Install dependencies:

pip install -U transformers torch torchvision pillow qwen-vl-utils

Requires a transformers version with native Qwen3.5-VL (qwen3_5) support. The released weights were saved with transformers==5.13.0.

Run inference (see inference.py in this repo):

# default: greedy, thinking disabled
python inference.py --image path/to/image.jpg --no-thinking --max-new-tokens 1024

# with sampling + thinking mode
python inference.py --image path/to/image.jpg --thinking --do-sample \
                    --temperature 0.6 --top-p 0.8 --top-k 20 --max-new-tokens 2048

Minimal example

import torch
from transformers import AutoProcessor, AutoTokenizer, AutoModelForImageTextToText
from qwen_vl_utils import process_vision_info

MODEL = "vankey/DocShield-4B"

tokenizer = AutoTokenizer.from_pretrained(MODEL, trust_remote_code=True)
processor = AutoProcessor.from_pretrained(MODEL, trust_remote_code=True)
model = AutoModelForImageTextToText.from_pretrained(
    MODEL, torch_dtype=torch.bfloat16, trust_remote_code=True, device_map="auto"
)
model.eval()

SYSTEM_PROMPT = (
    "你是一个图像鉴伪专家,擅长结合视觉,文字结合伪造特征分析手段鉴别输入图像的真假。"
    "分析过程中,你会逐步分析,抽丝剥茧,找到图像伪造的蛛丝马迹,最终给出专业的鉴别结果及分析。"
)
USER_PROMPT = "请分析这张文档图片是否存在伪造或篡改风险,并输出一份专业、精炼、准确的防伪分析报告。"

messages = [
    {"role": "system", "content": [{"type": "text", "text": SYSTEM_PROMPT}]},
    {"role": "user", "content": [
        {"type": "image", "image": "image.jpg"},
        {"type": "text", "text": USER_PROMPT},
    ]},
]

text = processor.apply_chat_template(messages, tokenize=False,
                                     add_generation_prompt=True, enable_thinking=False)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(text=[text], images=image_inputs, videos=video_inputs,
                   padding=True, return_tensors="pt").to(model.device)

with torch.no_grad():
    out = model.generate(**inputs, max_new_tokens=1024, do_sample=False)

gen = [o[len(i):] for i, o in zip(inputs["input_ids"], out)]
print(processor.batch_decode(gen, skip_special_tokens=False)[0])

Inference notes

  • Image input — pass the image path directly in the message content; the processor handles resize/tokenization.
  • Thinking mode — --no-thinking (default) gives a direct report; --thinking enables Qwen3.5 chain-of-thought before the report (use a larger --max-new-tokens).
  • Decoding — greedy by default (do_sample=False); pass --do-sample with --temperature/--top-p/--top-k for sampling.
  • Precision — bfloat16 is the tested configuration (--dtype bf16).

Citation

@article{docshield2026,
  title={DocShield: A Forensic Vision-Language Model for Document Forgery Analysis},
  author={DocShield},
  year={2026},
  url={https://arxiv.org/abs/2604.02694}
}

License

Apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
c5159b3

0 моделей