tablereader-lightonocr-v0

Это файнтюн LightOnOCR-3-4B на 4,54 млрд параметров от lschiemanowski: модель распознаёт кроп печатной таблицы и выдаёт её в фиксированном HTML-формате. Она лежит в основе инструмента tablereader, который находит таблицы в PDF, вырезает их вместе с заголовками и сносками, запускает OCR и преобразует результат в JSON.

🖱 Ключевые особенности

• 👁 На вход подаётся только изображение, без системного промпта и текста; длинная сторона масштабируется максимум до 2048 px.
• 📓 Формат: строка # Title при наличии заголовка, thead для печатных заголовков колонок, data-level для отступов, <sup> для маркеров сносок и tfoot для строк сносок.
• 💻 Обучение через LoRA (rank 16, alpha 32) на проекциях языковой модели; vision encoder заморожен, адаптер слит в bf16-веса.
• ✅ 995 кропов из 107 серий публикаций: цифровые и сканы, включая отчёты госсектора Великобритании, статистику США и бюджетные приложения Германии.
• ❌ Пока не отвечает NOT_A_TABLE для кропов без таблицы; сканы читает заметно хуже цифровых PDF.

💻 Пример

uv run tablereader read report.pdf --pages 13-20

Подробнее

Метрика records-1 на 1006 валидационных кропах: 0.797 в целом, 0.835 для цифровых PDF и 0.511 для сканов.
72% кропов прочитаны без различий; self-training на 7698 собственных транскрипциях не улучшил результаты.
Обучение: 3 эпохи, lr 1e-4; цели — транскрипции GPT-6.1 Terra, не проверенные человеком.
Лицензия Apache 2.0, как у базовой модели. Требования к VRAM в карточке не указаны.