Typhoon OCR V2 0.8B
компактный парсер страниц для тайского и английского
1 min readupdated
Модель на 0.8B параметров разбирает изображение страницы и возвращает JSON-список элементов в порядке чтения: категорию, bounding box и текст. Это файнтюн OvisOCR2; таблицы отдаются как HTML, формулы как LaTeX, остальной текст как Markdown. Языки: тайский и английский.
Ключевые особенности
- 13 категорий layout: title, text, table, formula, header, footer и др.
- Таблицы — HTML, формулы — LaTeX, текст — Markdown.
- 0.8B параметров, BF16; архитектура Qwen3.5.
- На MDPBench — 77.4, на olmOCR-bench — 81.7, на OmniDocBench v1.6 — 89.37.
- Заточен под полную разметку страницы; для вопросов по документам лучше 2B-версия.
Пример
vllm serve typhoon-ai/typhoon-ocr2-0.8b \
--served-model-name typhoon-ocr2 \
--max-model-len 40960 \
--limit-mm-per-prompt '{"image": 1}' \
--mm-processor-kwargs '{"min_pixels": 2048, "max_pixels": 16777216}' \
--default-chat-template-kwargs '{"enable_thinking": false}' \
--enforce-eager
Подробнее
Обучение: SFT на 9000 шагов, затем GRPO с LoRA r=64 (850 шагов).На ThaiOCRBench — 36.4: ниже Typhoon OCR 1.5 (40.5) и 2B-версии (59.9).
С vLLM обязательно запускать в eager-режиме: в compiled-режиме точность заметно падает.
Безопаснее использовать как page parser, а не универсальную VQA-модель.










Comments