К содержимому
Компьютерное зрение

PaddleOCR-VL-1.6 SFT800

модель и полный пакет для распознавания таблиц

2 мин чтенияобновлено

Компактная визуально-языковая модель (VLM) от автора CheneyWong на 0,96 млрд параметров, дообученная для точного распознавания таблиц и формул в документах. Репозиторий основан на PaddlePaddle/PaddleOCR-VL-1.6 и представляет собой промежуточный чекпоинт после 800 шагов SFT (Supervised Fine-Tuning — дообучение с учителем), подготовленный как стартовая точка для дальнейшего RL-обучения. В отличие от обычных выгрузок весов, здесь опубликован полноценный снимок эксперимента: исходный код пайплайна на базе VeRL, датасеты, скрипты оценки и веса детектора разметки PP-DocLayoutV3. Инструмент пригодится разработчикам систем OCR, инженерам по извлечению данных из PDF и исследователям, изучающим RL-дообучение VLM на сложных документах.

Ключевые особенности

  • Компактный размер: всего 0,96B параметров при сохранении специализации на сложном распознавании таблиц и формул.
  • Полная воспроизводимость: помимо весов в корень выложены конфиги DAPO/RL-обучения, адаптации под Paddle и исходники VeRL.
  • Готовые датасеты и бенчмарки: в архиве лежат 16 091 пример для SFT, 2 499 для RL, а также наборы для оценки на фрагментах (173 141 пример) и целых страницах (2 864 страницы).
  • Встроенная детекция макета: в состав пакета включены веса PP-DocLayoutV3 и скрипты нормализации формул для корректного парсинга страниц.

Что можно сделать

  • Извлекать сложные таблицы и формулы: использовать веса SFT800 в локальных OCR-пайплайнах для оцифровки научных статей, отчётов и сканов на английском и китайском языках.
  • Продолжить RL-дообучение: взять чекпоинт за основу и запустить собственное обучение с подкреплением на базе встроенных скриптов VeRL и DAPO.
  • Тестировать свои OCR-модели: применить обновлённые скрипты оценки и подготовленные сплиты (crop и fullpage) для замера качества распознавания таблиц.

Пример

hf download CheneyWong/paddleocr-vl16-sft800-rl-repro \
  --local-dir /workspace/sft800 \
  --include '*.safetensors' --include '*.json' --include '*.model' \
  --include '*.jinja' --include '*.py' \
  --exclude 'repro/*' --exclude 'assets/*' --exclude 'scripts/*' \
  --exclude 'environment/*' --exclude 'examples/*'
ПодробнееПолный размер репозитория со всеми датасетами и кодом составляет около 16,7 ГБ (отдельно веса весят значительно меньше).
Пакет включает веса для инференса и продолжения обучения, но не содержит состояния оптимизатора, планировщика и RNG с 800-го шага.
В окружении есть конфликты зависимостей с последними версиями библиотек — автор рекомендует ставить всё строго по инструкции из docs/ENVIRONMENT.md.
Часть обучающих и тестовых разметок получена с помощью машинных псевдометок, поэтому при сравнении моделей важно фиксировать единую версию разметки.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # CheneyWong/paddleocr-vl16-sft800-rl-repro
    # ===== 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 CheneyWong/paddleocr-vl16-sft800-rl-repro --local-dir ~/models/paddleocr-vl16-sft800-rl-repro
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к paddleocr-vl16-sft800-rl-repro
  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

Новые посты про версии paddleocr-vl16-sft800-rl-repro — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

CheneyWong/paddleocr-vl16-sft800-rl-repro
Автор
CheneyWong
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

HITCH

HITCH