К содержимому
Другое

Qwen3.5-0.8B-TextPreprocessor (v2)

структуральная LoRA для распознавания документов в Markdown

2 мин чтенияобновлено

Эта модель представляет собой LoRA (небольшую надстройку над базовой моделью), которая учит компактную языковую модель Qwen/3.5-0.8B переводить изображения страниц документов в структурированный Markdown с заголовками и HTML-таблицами. База имеет размер 0.8B параметров и является нативным мультимодальным решением. Версия v2 обучена на смеси реальных и синтетических данных, благодаря чему она значительно лучше справляется с распознаванием таблиц. Модель пригодится разработчикам и исследователям, которым нужно быстро и локально конвертировать сканы или PDF-страницы в чистый текст со структурой.

Ключевые особенности

  • Добавлена поддержка вывода заголовков и HTML-таблиц по изображениям страниц.
  • Версия v2 показывает рост метрики Table TEDS на 116% по сравнению с базовой линией.
  • Компактный размер: всего 3.19M параметров для LoRA (ранг r=8).
  • Низкие системные требования благодаря скромному размеру базовой модели.

Что можно сделать

  • Применить LoRA-веса v2 поверх базового чекпоинта для извлечения таблиц и структуры из документов.
  • Использовать Python-скрипт с библиотеками transformers и peft для пакетной обработки страниц.
  • Конвертировать страницы документов в чистый размечаемый Markdown-контент.

Пример

import torch
from PIL import Image
from transformers import AutoTokenizer, AutoImageProcessor, AutoModelForImageTextToText
from transformers.processing_utils import ProcessorMixin
from peft import PeftModel

ProcessorMixin.check_argument_for_proper_class = lambda self, attr, arg: None
from transformers.models.qwen3_vl.processing_qwen3_vl import Qwen3VLProcessor

BASE = "w666j66666/Qwen3.5-0.8B-TextPreprocessor"
tok = AutoTokenizer.from_pretrained(BASE)
imgp = AutoImageProcessor.from_pretrained(BASE)
proc = Qwen3VLProcessor(image_processor=imgp, tokenizer=tok)

model = AutoModelForImageTextToText.from_pretrained(BASE, dtype=torch.bfloat16, device_map="auto")
model = PeftModel.from_pretrained(model, "./adapter_v2")
model.eval()

img = Image.open("page.png").convert("RGB")
msg = [{"role": "user", "content": [{"type": "image"}, {"type": "text", "text": "Convert this document page into Markdown."}]}]
text = tok.apply_chat_template(msg, tokenize=False, add_generation_prompt=True)
enc = proc(text=[text], images=[img], return_tensors="pt")
ПодробнееМетрики (OmniDocBench, 30 стр.): v2 TEDS 0.2307 (+116% к базе), rule 96.0%.
Требования к железу: пиковая VRAM около 1.8 GB.
Обучение: r=8, alpha=16, dropout=0.05, target=q/k/v/o/gate/up/down_proj, визуальная таба заморожена.
Ограничения: падение точности на чистом тексте (Text Edit 0.284 до 0.361), чувствительность к разрешению ниже 900px.
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.

    # wjwjwjwjwjww/Qwen3.5-0.8B-TextPreprocessor-struct-lora
    # ===== 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 wjwjwjwjwjww/Qwen3.5-0.8B-TextPreprocessor-struct-lora --local-dir ~/models/Qwen3.5-0.8B-TextPreprocessor-struct-lora
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 Qwen3.5-0.8B-TextPreprocessor-struct-lora — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

wjwjwjwjwjww/Qwen3.5-0.8B-TextPreprocessor-struct-lora
Автор
wjwjwjwjwjww
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

Языковые модели

amaara-code-explore

amaara-code-explore