К содержимому
Другое

InvoiceDesk Donut

разбор счетов и чеков по фото

2 мин чтенияобновлено

Компактная VLM-модель (нейросеть, работающая с изображениями и текстом) на 0.2B параметров для автоматического извлечения данных из счетов поставщиков и кассовых чеков напрямую без отдельного OCR-движка. Построена на базе naver-clova-ix/donut-base автором okba-bouziane и дообучена сразу на три задачи: структурированный разбор счетов, чтение чеков из датасета CORD-v2 и ответы на вопросы по документу на английском или французском. В отличие от связки Tesseract OCR + правила, модель сама собирает нужные поля вроде поставщика, номера, даты, позиций, налогов и итоговых сумм.

Ключевые особенности

  • Три режима работы через стартовый токен декодера: разбор счетов (), чеков () и DocVQA (ответы на вопросы по документу).
  • Работает с изображениями в разрешении 1280×960 и возвращает структурированную последовательность тегов, которую скрипт из репозитория автора преобразует в JSON.
  • На знакомых шаблонах счетов набирает Field F1 0.968 против 0.428 у связки Tesseract OCR + правила.
  • Открытая лицензия MIT, компактный размер 0.2B параметров и готовый код генерации данных и валидации сумм на GitHub.

Что можно сделать

  • Автоматизировать первичный ввод накладных, счетов и чеков в учётных системах или Telegram-ботах для бухгалтерии.
  • Использовать как базу для дообучения под локальные шаблоны первичных документов на других языках благодаря открытому пайплайну обучения.
  • Встроить проверку конкретных полей документа через режим вопросов и ответов без парсинга всей таблицы позиций.

Пример

from PIL import Image
from transformers import DonutProcessor, VisionEncoderDecoderModel

processor = DonutProcessor.from_pretrained("okba-bouziane/invoicedesk-donut")
model = VisionEncoderDecoderModel.from_pretrained("okba-bouziane/invoicedesk-donut").eval()
pixels = processor(Image.open("invoice.jpg").convert("RGB"), return_tensors="pt").pixel_values
prompt = processor.tokenizer("", add_special_tokens=False, return_tensors="pt").input_ids
print(processor.tokenizer.batch_decode(model.generate(pixels, decoder_input_ids=prompt, max_length=512))[0])
ПодробнееМетрики на тесте: Field F1 — 0.968 на 6 знакомых шаблонах счетов, 0.698 на новом шаблоне и шрифте, 0.592 на чеках CORD-v2; точность ответов на новые формулировки вопросов (exact match) — 0.777.
Обучение: 3 эпохи (135 минут) на одной Kaggle T4 GPU при разрешении 1280×960.
Ограничения: обучалась на чеках CORD-v2 и синтетических алжирских счетах на французском и английском; слабее всего распознаётся поле NIF (61.7% точных совпадений, часто ошибка в одну цифру).
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.8 GB · готовые файлы1.3 GB
  • BF16веса 0.4 GB0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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 · F32 — от RTX 2060

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

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.

    # okba-bouziane/invoicedesk-donut
    # ===== 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 okba-bouziane/invoicedesk-donut --local-dir ~/models/invoicedesk-donut
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к invoicedesk-donut
  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

Дообучение модели

naver-clova-ix/donut-base

Новые посты про версии donut-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

okba-bouziane/invoicedesk-donut
Автор
okba-bouziane
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Paths

Paths