erax-ai/EraX-VL-7B-V1.0
EraX-VL-7B-V1 Introduction 🎉 We are excited to introduce EraX-VL-7B-v1, a robust multimodal model for OCR (optical character recognition) and VQA (visual question-answering) that excels in various languages 🌍, with a particular focus on Vietnamese...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tuần
🧠 EraX-VL-7B-V1: Mô hình OCR đa ngôn ngữ mạnh mẽ với tập trung vào tiếng Việt
EraX-VL-7B-V1 là mô hình đa phương thức (multimodal) dựa trên Qwen2-VL-7B-Instruct, được tinh chỉnh để thực hiện OCR và VQA xuất sắc, đặc biệt hỗ trợ tiếng Việt trong các loại giấy tờ y tế, hóa đơn, hợp đồng.
EraX-VL-7B-V1 là một mô hình đa phương thức (multimodal) mạnh mẽ được phát triển bởi nhóm nghiên cứu của EraX AI, dựa trên nền tảng Qwen2-VL-7B-Instruct. Mô hình này được tối ưu hóa để thực hiện các tác vụ nhận dạng ký tự quang học (OCR) và trả lời câu hỏi dựa trên hình ảnh (VQA), với khả năng xử lý xuất sắc nhiều ngôn ngữ nhưng đặc biệt mạnh trong tiếng Việt. EraX-VL-7B-V1 hỗ trợ chính xác các loại giấy tờ như biểu mẫu y tế, hóa đơn, biên lai, báo giá và hồ sơ bệnh án, phù hợp cho bệ viện, phòng khám, công ty bảo hiểm và các ứng dụng tương tự.
✨ Điểm nổi bật
- OCR chính xác: Hỗ trợ nhận dạng ký tự trong nhiều loại giấy tờ như hóa đơn, biên lai, biểu mẫu y tế.
- VQA đa lượt: Khả năng trả lời câu hỏi dựa trên hình ảnh với lập luận đa lượt.
- Tập trung vào tiếng Việt: Tối ưu hiệu suất xử lý ngôn ngữ và ký tự tiếng Việt.
- Được tinh chỉnh từ Qwen2-VL-7B-Instruct: Nền tảng vững chắc với hiệu suất cao.
- Hỗ trợ đa ngôn ngữ: Bao gồm tiếng Việt, tiếng Anh, tiếng Trung.
- Không phải công cụ OCR độc lập: Là mô hình ngôn ngữ đa phương thức, cần điều chỉnh prompt để tận dụng tối đa.
- Miễn phí và mã nguồn mở: Giấy phép Apache 2.0.
💡 Vì sao đáng chú ý
Khác biệt với các công cụ OCR truyền thống như Tesseract, EraX-VL-7B-V1 là một mô hình ngôn ngữ lớn đa phương thức (multimodal LLM), cho phép người dùng tương tác thông qua prompt để nhận kết quả chi tiết và có cấu trúc từ hình ảnh. Điều này giúp mô hình vượt trội trong việc xử lý các tài liệu phức tạp như giấy tờ y tế hay hóa đơn, nơi cần hiểu ngữ cảnh chứ không chỉ đơn thuần là trích xuất văn bản. Đặc biệt, khả năng hỗ trợ tiếng Việt mạnh giúp mô hình trở thành lựa chọn lý tưởng cho các tổ chức tại Việt Nam, đặc biệt là trong lĩnh vực y tế và bảo hiểm.
#AI #Multimodal #OCR #Vietnamese #Qwen2VL #TiniX
Similar Projects
Discover other similar projects and AI models.
Qwen3.8-27B !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc. !Tip F...
Hugging Face | GitHub | Launch Blog | Documentation License: Apache 2.0 | Authors: Google DeepMind Gemma is a family of open models built by Google DeepMind. Gemma 4 models are multimodal, handling text and image input (with audio supported on small...
GLM-5.3-Flash 👋 Join our WeChat or Discord community. 📖 Check out the GLM-5.3-Flash blog and GLM-5 Technical report. 📍 Use GLM-5.3-Flash API services on Z.ai API Platform. Introduction We introduce GLM-5.3-Flash, the first natively multimodal mod...
Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive Join the Discord(https://discord.gg/SZ5vacTXYf) for updates, roadmaps, projects, or just to chat. Qwen3.6-35B-A3B uncensored by HauhauCS. 0/465 Refusals. HuggingFace's "Hardware Compatibility" widget do...
Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing. Release - 2026/06/23 📄 Our paper is now available on arXiv(https://arxiv.org/abs/2606.23050). - 2026/06/23 🤝 Thanks to the ModelScope community for their support. Our model is n...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...
Whisper Whisper is a state-of-the-art model for automatic speech recognition (ASR) and speech translation, proposed in the paper Robust Speech Recognition via Large-Scale Weak Supervision(https://huggingface.co/papers/2212.04356) by Alec Radford et...
Qwen3.8-Flash-Next !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc....
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression Technical Report 👁️ Introduction We introduce DeepSeek-V4.1-Flash, a multimodal Mixture-of-Experts (MoE) model with 552B backbone parameters and support for contexts of up to one milli...