Multimodal-OCR2

מה זה

מעלים תמונה, בוחרים מודל מתוך הרשימה, ומקבלים טקסט מחולץ או עימוד של המסמך. הקוד טוען שישה מודלים שונים לחלוטין: FireRed-OCR שמבוסס על ארכיטקטורת Qwen3-VL, לצד Nanonets-OCR-s, MonkeyOCR, Typhoon-OCR-7B ו־Thyme-RL שמבוססים על Qwen2.5-VL, וכן SmolDocling-256M הקומפקטי שמיועד לפריסה מהירה.

המערך בדף כולל שש דוגמאות מובנות שממחישות מה המנועים האלה יודעים לעשות. יש שם פקודות שמבקשות חילוץ מדויק, דרישה לזיהוי ברמת דיוק גבוהה, וגם בקשות להמרת עמוד שלם ישירות למבנה Markdown או Docling Document. השליטה הטכנית מאפשרת לשנות את הטמפרטורה, להגביל את מספר הטוקנים שייווצרו, ולהגדיר עונש חזרתיות כדי למנוע לולאות טקסט.

מתאים ל

• השוואת מנועי זיהוי טקסט

  בדיקת אותה תמונה בכמה מודלים שונים כדי לראות מי מהם קורא נכון פונטים קשים או עימוד צפוף.

• המרת עמוד בודד למרקดาวן

  שליחת סריקת מסמך וקבלת הטקסט כשהוא מאורגן במבנה של פסקאות וכותרות.

• בדיקת SmolDocling

  הערכת היכולת של מודל קטן בן 256 מיליון פרמטרים מול מודלים גדולים של שבעה מיליארד.

איפה זה נופל

זהו ממשק השוואה ידני לתמונה בודדת בכל פעם. אין כאן אפשרות לעבד קובצי PDF מרובי עמודים ברצף או להריץ ספריות שלמות באצוות. נוסף על כך, החומרה מחזיקה כרטיס גרפי שמשתחרר בתום השימוש ומוגבל לשישים שניות להקצאה, כך שתמונה מורכבת במיוחד עלולה להיעצר באמצע. אין במידע שום עדות להתאמה לשפות מימין לשמאל או לעברית, ולכן צריך לבדוק כל מסמך ישראלי לגופו.

איך משתמשים

גוררים תמונה לממשק, בוחרים בלשונית את המודל הרצוי ולוחצים על שליחה. אפשר גם להקליק על אחת הדוגמאות בתחתית כדי לטעון אותה מיד. אין צורך בהרשמה או התחברות לחשבון כדי להריץ בדיקה. מאחורי הקלעים העיבוד רץ על חומרת zero-a10g שמקצה כרטיס A10G לפי דרישה. אם הכרטיס במצב שינה, ההרצה הראשונה תדרוש המתנה קצרה להתעוררות החומרה לפני שהטקסט יופיע.

הרישיון

הקוד והסביבה מפורסמים תחת רישיון apache-2.0, שמאפשר שימוש חופשי, שינוי והפצה כולל למטרות מסחריות. התמונות שאתם מעלים עוברות דרך שרתי הרצת המודל, ולכן לא רצוי להזין מסמכים רגישים.

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

הרישיון המלא ב־Hugging Face ↗