/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
9 июл 2026

DocShield-7B

Изображение и текст → текст3 профессии

DocShield-7B анализирует изображения документов на признаки подделки, локализует изменённые области и составляет криминалистический отчёт.

38скачиваний за 30 дней1лайквеса обновлены10 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-7B — мультимодальная модель компьютерного зрения и языка от автора репозитория vankey, дообученная на базе Qwen2.5-VL-7B-Instruct для криминалистического анализа подделок документов и изображений. Она принимает изображение и формирует текстовый отчёт о признаках изменения: проверяет согласованность шрифтов, глифов, интервалов и базовых линий, ищет артефакты копирования и вставки, ореолы по краям, несоответствия сжатия и нарушения шумового рисунка. Также модель оценивает логическую согласованность содержимого, локализует подозрительные области рамками и выдаёт итоговую оценку вероятности подделки.

Модель построена на архитектуре Qwen2_5_VLForConditionalGeneration, содержит 7,1 млрд параметров и использует контекст до 128 000 токенов. В README указано разрешение инференса 1344 × 896; веса представлены в bfloat16 и занимают около 16 ГБ, а для вычислений автор рекомендует загружать их с преобразованием в float32. Модель рассчитана на китайский и английский языки. Лицензия — Apache-2.0. Для загрузки требуется базовая модель Qwen2.5-VL-7B-Instruct, которая не включена в репозиторий.

Сценарии применения

  • проверка сканов документов на подмену текста
  • поиск вставленных или отредактированных фрагментов на изображениях
  • локализация подозрительных областей документа
  • оценка вероятности подделки изображения документа
  • составление отчёта о визуальных и логических несоответствиях

Ограничения

Результаты модели являются автоматизированным анализом и сами по себе не подтверждают подделку как экспертное заключение. Для воспроизведения результатов README указывает разрешение 1344 × 896 и загрузку весов в float32; базовая модель Qwen2.5-VL-7B-Instruct нужна отдельно.

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

DocShield-7B

DocShield-7B is a forensic-grade vision-language model for document / image forgery analysis. It inspects an input image, reasons step-by-step over visual tampering traces and logical consistency, and produces a professional forgery-analysis report with localized tampered regions and a forgery score.

It is fine-tuned from Qwen2.5-VL-7B-Instruct with supervised chain-of-thought (CoT) reasoning on document-forgery data.

📄 Paper: arxiv.org/abs/2604.02694

Capabilities

  • Visual forgery trace analysis — font / glyph / kerning / baseline inconsistency, copy-paste artifacts, edge halos, compression mismatches, noise-pattern breaks.
  • Logical & fact-checking — impossible dates, failed calculations, contradictory metadata, domain-commonsense violations.
  • Localization — bounding boxes of tampered regions with per-region reasoning.
  • Structured CoT report — forensic-style report with a final conclusion and forgery score.

Model details

Base modelQwen2.5-VL-7B-Instruct
ArchitectureQwen2_5_VLForConditionalGeneration
Inference resolution1344 × 896 (W × H)
Precision (weights)bfloat16
Precision (compute)float32 (load with torch_dtype=torch.float32)
Max new tokens8192

The weights are stored in bfloat16 (~16 GB). Always load them with torch_dtype=torch.float32 so computation runs in float32 (the bf16 weights are upcast on load). The base model is not bundled here — download it from Qwen/Qwen2.5-VL-7B-Instruct if needed. This repository only releases the fine-tuned DocShield-7B weights.

Quick start

Install dependencies:

pip install transformers torch torchvision pillow opencv-python qwen-vl-utils

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

python inference.py --image path/to/image.jpg

Minimal example

import cv2, torch
from PIL import Image
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
from qwen_vl_utils import process_vision_info

MODEL_PATH = "vankey/DocShield-7B"

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    MODEL_PATH,
    torch_dtype=torch.float32,
    attn_implementation="eager",
    device_map="auto",
)
model.eval()
processor = AutoProcessor.from_pretrained(MODEL_PATH)

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 = "请帮我分析这张图片是否是伪造的,并给出分析报告."

image = cv2.cvtColor(cv2.resize(cv2.imread("image.jpg"), (1344, 896)), cv2.COLOR_BGR2RGB)
image = Image.fromarray(image)

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

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
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,
                         do_sample=True, temperature=1.0, top_p=1.0,
                         top_k=0, repetition_penalty=1.0,
                         max_new_tokens=8192)

generated = out[:, inputs["input_ids"].shape[1]:]
print(processor.batch_decode(generated, skip_special_tokens=True)[0])

Inference notes (important)

These choices are required to reproduce the reported results:

  1. Image resize — resize the input to 1344 × 896 (W × H) before processing: cv2.resize(image, (1344, 896)).
  2. Precision — load with float32, never compute in bfloat16. The weights are stored as bfloat16; load them with torch_dtype=torch.float32 so they are upcast and computation runs in float32. Computing in bfloat16 accumulates rounding error over the long CoT and degrades output into gibberish on harder images. float16 + eager attention also overflows (NaN) for long contexts. float32 (compute) + eager is the verified configuration.
  3. Sampling — temperature=1.0, top_p=1.0, top_k=0, repetition_penalty=1.0 (full multinomial sampling). Do not use the values in the bundled generation_config.json (temperature=0.1, top_k=1, top_p=0.001, repetition_penalty=1.05) — that near-greedy config triggers repetition loops.
  4. No flash-attention — attn_implementation="eager".

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
Qwen2_5_VLForConditionalGeneration
Ревизия весов
6cfca3d

0 моделей