Unflatten W Dense 1.0
превращает сканы и фото страниц в редактируемый Word
2 мин чтения
Модель от компании EVOLIQ s.r.o. восстанавливает из растрового изображения страницы не просто текст, а логическую структуру документа: абзацы, текстовые блоки, таблицы и расположение картинок, после чего собственный детерминированный рендерер собирает готовый файл .docx. В основе лежит замороженная VLM-модель (мультимодальная языковая модель) Qwen3-VL-4B-Instruct, дополненная обученными модулями реконструкции и головами типизированных свойств, а сам релиз представляет собой чекпоинт после 48 шагов обучения с подкреплением (RL). В отличие от обычного OCR, который выдаёт плоский текст, система использует грамматически ограниченное декодирование и формирует полноценную структуру документа с нативными свойствами Word. Пригодится для локальной оцифровки документов и PDF без отправки файлов в облачные сервисы.
Ключевые особенности
- Архитектура на базе Qwen3-VL-4B-Instruct: модель извлекает визуальные признаки из
pooler_outputи слоёв DeepStack (5, 11 и 17), передавая их в специализированные модули реконструкции документов. - Грамматически ограниченное декодирование: генерация структуры контролируется составной грамматикой документа, а итоговый файл
.docxсоздаёт детерминированный рендерер Unflatten. - Готовый набор для локального запуска: вместе с весами выложено приложение Unflatten W с веб-интерфейсом, headless API и Swagger UI, а также архив с исходным кодом рантайма
unflatten-runtime.tar.gz. - Офлайн-работа: в репозиторий включён точный замороженный бэкбон, токенизатор и процессор изображений для автономной загрузки с
trust_remote_code=True.
Что можно сделать
- Конвертировать PDF и сканы в Word локально: развернуть приложение Unflatten W на видеокарте NVIDIA с CUDA и переводить страницы документов в редактируемые файлы
.docx. - Встроить в собственный пайплайн обработки: подключиться к локальному серверу через REST API с Bearer-токеном (документация доступна в Swagger UI на порту 8421) для пакетной обработки многостраничных PDF.
Пример
Пайплайн обработки одной страницы работает по следующей схеме:Page image → Unflatten W Dense → structured document → Unflatten renderer → editable Word
После запуска локального приложения Unflatten W можно загрузить скан или PDF через браузерный интерфейс либо отправлять запросы к API через Swagger UI по адресу [http://127.0.0.1:8421/docs](http://127.0.0.1:8421/docs) (при оценке использовались изображения страниц в разрешении 300 DPI).
Подробнее
Валидация на 100 страницах: 90/100 прошли тест допуска по тексту, 99/100 дали валидный диагностический файл Word, CER — 13.8949%, WER — 8.1013%.Железо и требования: требуется видеокарта NVIDIA с CUDA (проверено на DGX Spark) и кастомный рантайм Unflatten; стандартный пайплайн генерации текста Transformers не подходит.
Ограничения: исследовательский релиз для одной страницы за вызов (
product_quality_claim: false), возможны ошибки в тексте, порядке чтения и вёрстке.Лицензия: бесплатно только для личного некоммерческого использования (EVOLIQ Personal Use and Commercial License 1.0); для бизнеса нужна платная лицензия, базовый Qwen под Apache 2.0.










Комментарии