К содержимому
Компьютерное зрение

openT2L-MiniCPM-V-4.7-1B-docs

генератор LoRA-адаптеров для документов без обучения

2 мин чтенияобновлено

Эта гиперсеть (нейросеть, которая сама генерирует веса для другой модели) от автора ASHu2 решает проблему долгого дообучения под новые шаблоны документов. Вы даёте ей всего 4 примера страниц незнакомого типа с нужным JSON на выходе, и за один прямой проход (forward pass) она создаёт готовый LoRA-адаптер (небольшую надстройку) ранга 8 для мультимодальной модели MiniCPM-V-4.7-1B. В отличие от классического файнтюна, здесь не запускается цикл обучения, а полученный адаптер сохраняется в стандартном формате PEFT — его можно сразу влить в базу или конвертировать под llama.cpp. Инструмент пригодится разработчикам систем распознавания и извлечения данных из счетов, таблиц и бланков, которым нужно быстро адаптировать VLM-модель под новые форматы на английском и китайском языках.

Ключевые особенности

  • Мгновенная адаптация: генерация весов LoRA происходит за один проход на основе 4 размеченных страниц без градиентного дообучения.
  • Стандартный формат PEFT: на выходе получается обычная директория с адаптером (rank 8, alpha 16), совместимая с пайплайнами Hugging Face и llama.cpp.
  • Архитектура Text-to-LoRA: гиперсеть размером 72.2M параметров (MLP 3×512) модифицирует 48 модулей языковой части, не затрагивая визуальный энкодер.
  • Заметный прирост точности: на 78 тестовых задачах, которые сеть не видела при обучении, средний показатель F1 вырос с 0.728 до 0.881.

Что можно сделать

  • Парсинг новых форм и чеков: быстро собирать специализированные адаптеры для извлечения полей из счетов, квитанций, расчётных листков и транспортных накладных по 4 образцам.
  • Извлечение сложных таблиц: адаптировать MiniCPM-V-4.7-1B для конвертации финансовых таблиц (например, уровня FinTabNet) в структурированный JSON.
  • Локальный деплой: сгенерировать адаптер на сервере, объединить его с базовой 1B-моделью или перевести в формат для llama.cpp для работы на устройствах.

Пример

from huggingface_hub import snapshot_download
from peft import PeftModel
from t2l import load_hypernet, emit_adapter

gen, cfg = load_hypernet(snapshot_download("ASHu2/openT2L-MiniCPM-V-4.7-1B-docs"), device="cuda")
# support — тензор эмбеддингов из 4 размеченных примеров страниц
emit_adapter(gen, support, "my_adapter/", base_model="openbmb/MiniCPM-V-4.7-1B")
model = PeftModel.from_pretrained(model, "my_adapter/")
ПодробнееБенчмарки (Gate 1, 78 новых задач, метрика field-level F1): общий результат вырос с 0.728 до 0.881 (+0.154), на синтетических формах — с 0.813 до 0.957, на публичных задачах (FinTabNet, ChartQA) — с 0.339 до 0.533.
Обучение: 333 задачи, 6000 шагов на одной видеокарте A10G (~5 часов), базовые языки — английский и китайский.
Ограничения: слабый прирост на графиках (+0.01 до +0.27); при работе нужно строго соблюдать формат промпта и настройки процессора (downsample_mode="16x", max_slice_nums=9).
Лицензия: CC-BY-NC-4.0 (только для некоммерческого использования из-за лицензий обучающих датасетов).
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.2 GB · готовые файлы4.0 GB
  • FP8 / INT8рекомендуемвеса 1.7 GB2.4 GB
  • 4-bitвеса 1.1 GB1.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью MiniCPM-V-4.7-1B.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ASHu2/openT2L-MiniCPM-V-4.7-1B-docs
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download openbmb/MiniCPM-V-4.7-1B --local-dir ~/models/MiniCPM-V-4.7-1B
    hf download ASHu2/openT2L-MiniCPM-V-4.7-1B-docs --local-dir ~/models/openT2L-MiniCPM-V-4.7-1B-docs
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MiniCPM-V-4.7-1B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

openbmb/MiniCPM-V-4.7-1B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии MiniCPM-V-4.7-1B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face

О модели

ASHu2/openT2L-MiniCPM-V-4.7-1B-docs
Автор
ASHu2
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

PRISM-1B

PRISM-1B
Компьютерное зрение

MiniCPM-OCR-Jev

MiniCPM-OCR-Jev