DocScope-R1

מה זה

הממשק מקבל תמונה והוראת טקסט חופשית, ומחזיר פלט מילולי בהתאם למודל שבחרתם. אפשר להעלות קובץ משלכם או להשתמש בגלריית הדוגמאות המוכנות שמובנית בתחתית המסך כדי לראות תוצאות מיידיות.

מאחורי הקלעים רצים ארבעה מודלים שונים מבוססי ארכיטקטורת Qwen2.5-VL: המודל Cosmos-Reason1-7B של nvidia שמיועד להסקה חזותית, שני מודלים לחילוץ טקסט והבנת מסמכים בשם docscopeOCR-7B ו־visionOCR-3B, ומודל בשם Qwen2.5-VL-7B-Captioner-Relaxed שמתמקד בתיאור תמונות. הבחירה ביניהם נעשית בלשוניות בתוך העמוד.

בנוסף לבחירת המודל, יש שליטה בפרמטרים של ההרצה כמו טמפרטורה, חזרתיות, טוקנים מקסימליים ודגימות top-p ו־top-k, כך שאפשר לכוונן את רמת הדיוק והיצירתיות של התשובה.

מתאים ל

• השוואת מודלי ראייה

  מריצים אותה תמונה מול ארבעת המודלים כדי לראות איזה ארכיטקטורה מפענחת את הפרטים טוב יותר.

• חילוץ טקסט ממסמכים

  מעלים צילום מסמך ומפעילים את docscopeOCR או visionOCR לחילוץ שורות טקסט ונתונים.

• תיאור תמונות מפורט

  מזינים תמונה למודל ה־Captioner כדי לקבל תיאור מלא של הפרטים, הרקע והאלמנטים הוויזואליים.

איפה זה נופל

האפליקציה מטפלת בתמונות בודדות בלבד ולא מיועדת להזנה של קובצי PDF שלמים מרובי עמודים או לסריקות מסמכים בכמויות. היא מתאימה לבדיקה נקודתית ולא להחלפת תשתית OCR ארגונית.

קחו בחשבון שמודלים שמאומנים באנגלית וקוד לעיתים קרובות מתקשים בפענוח עברית, גופנים ישראליים או כתב יד מקומי. מומלץ לבדוק מסמך דוגמה בעברית לפני שמסתמכים על הדיוק בחילוץ שדות או מספרים מורכבים.

איך משתמשים

אתם מעלים תמונה בכפתור הראשי, בוחרים מודל בלשונית, כותבים הנחיה ולוחצים על Run. אין צורך בהתחברות או בהרשמה לחשבון.

ההרצה מתבצעת על מאיץ גרפי מסוג zero-a10g שמקצה משאבים לפי דרישה. הקוד מגדיר הקצאת זמן מעבד גרפי של 60 שניות, כך שתשובות קצרות ועיבוד מסמכים קלים יחזרו תוך שניות בודדות, אבל אם השרת עמוס ייתכן שתמתינו בתור קצר עד שהחומרה תתפנה.

הרישיון

הפרויקט מפורסם תחת רישיון apache-2.0, שמאפשר שימוש חופשי ושינוי קוד. התמונות שאתם מעלים והטקסטים שמופקים מעובדים דרך השרתים המארחים, ולכן לא מומלץ להעלות מסמכים מסווגים, חוזים רגישים או פרטים אישיים מזהים.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗