/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
31 дек 2025

WiNGPT-DocLoom

Изображение и текст → текст10 профессий

Дообученная Qwen3-VL модель для извлечения структурированного текста из PDF, включая таблицы, списки и формулы.

28скачиваний за 30 дней5лайковвеса обновлены19 мар 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 оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • allenai/olmOCR-bench

    score

    Результат

    78,8

    baseline 99,7headers_footers 91,4long_tiny_text 89,1
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

WiNGPT-DocLoom — мультимодальная модель компании WiNGPT для извлечения структурированного текста из сложных PDF-документов. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-VL-4B-Instruct и принимает изображения страниц документа, чтобы выдавать текст в естественном порядке чтения с сохранением структуры: заголовков, таблиц, списков и формул.

Модель предназначена для OCR и последующего разбора документов, поиска информации и извлечения данных. В обучении использовались реальные и синтетические данные; отдельно заявлен акцент на обработке медицинских PDF. Для инференса авторы рекомендуют Transformers или vLLM, включая обработку многостраничных документов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение текста из сложных PDF в порядке чтения
  • распознавание таблиц, списков и формул в документах
  • подготовка медицинских PDF для поиска и анализа
  • извлечение текста из многостраничных документов

Ограничения

Заявленная специализация — структурированное извлечение текста из PDF; в README не приводятся подробности о точности за пределами сравнений на olmOCR-Bench.

Для каких профессий подходит10

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

DocLoom

Performance Comparison of Various Models on the olmOCR-Bench Dataset

Introduction

DocLoom is dedicated to structured text extraction from complex PDFs. Its core goal is to convert unstructured PDF content into linearly organized plain text in natural reading order, while accurately preserving key structural information (e.g., chapter hierarchies, tables, lists, formulas) to provide high-quality data for downstream tasks such as document parsing, information retrieval, and data mining.

  1. Based on the Qwen3-VL-4B-Instruct architecture, improve the special adaptability of PDF processing through Supervised Fine-Tuning (SFT).
  2. Adopt "existing data + synthetic data" dual-source training, with a focus on enhancing the performance of PDF processing in the medical field.
  3. On olmOCR-Bench , compared with other models of the same parameter scale, WiNGPT-OCR-4B has achieved excellent performance.

How to Use

Transformers (Recommended)

Refer to Qwen3-VL-4B-Instruct for guidance on model inference acceleration and PDF processing, etc.

vLLM (Recommended)

For high-performance inference and deployment, we recommend using vLLM. We also provide a standalone script for efficiently processing multi-page PDF documents. This script operates independently and does not require the official olmOCR toolkit, offering a lightweight and fast way to perform OCR on entire documents.

python DocLoom_test.py <pdf_file_path>

Acknowledgement

We express our gratitude to the teams that developed olmOCR and Qwen3-VL, which were instrumental in our research.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
961835c

0 моделей