erax-ai/EraX-VL-7B-V1.5
EraX-VL-7B-V1.5 Introduction 🎉 Hot on the heels of the popular EraX-VL-7B-V1.0 model, we proudly present EraX-VL-7B-V1.5, another robust multimodal model for OCR (optical character recognition) and VQA (visual question-answering) that excels in var...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#2 Repository Của Tuần
🧠 EraX-VL-7B-V1.5: Mô hình đa phương thức mạnh mẽ dành riêng cho tiếng Việt
Mô hình OCR/VQA đa ngôn ngữ, tinh luyện từ Qwen2-VL-7B-Instruct, vượt trội trên bảng xếp hạng với các mô hình lớn hơn 10 lần.
EraX-VL-7B-V1.5 là phiên bản nâng cấp từ EraX-VL-7B-V1.0, được phát triển bởi đội ngũ EraX (thuộc Bảo tàng Văn hóa Bamboo Capital) và tinh luyện đặc biệt để xử lý tốt các loại tài liệu như hóa đơn, biên nhận mua bán, trích phiếu y tế, báo giá và hồ sơ bệnh nhân. Dựa trên nền tảng Qwen2-VL-7B-Instruct – một kiến trúc Transformer mạnh mẽ và thông minh tiếng Việt – mô hình đã được tinh luyện để nâng cao khả năng nhận diện ký tự quang học (OCR) và trả lời câu hỏi dựa trên hình ảnh (VQA).
✨ Điểm nổi bật
- Dựa trên Qwen2-VL-7B-Instruct: Tận dụng kiến trúc Transformer đa phương thức vững chắc, hỗ trợ xử lý đa dạng định dạng đầu vào.
- Tinh luyện OCR/VQA: Chuyên biệt hóa để nhận diện văn bản và trả lời câu hỏi từ hình ảnh tài liệu, hóa đơn, biên nhận, hồ sơ y tế.
- Hỗ trợ đa ngôn ngữ: Ưu tiên tiếng Việt nhưng vẫn hỗ trợ tiếng Anh và tiếng Trung.
- Tương tác đa lượt (Multi-turn Q&A): Hỗ trợ đối thoại liên tục với khả năng lập luận sâu.
- Hiệu suất vượt trội: Đạt điểm 47.2 trên bộ chuẩn VI-MTVQA, cao hơn cả các mô hình đóng cửa như GPT-4V, Claude 3 Opus.
- Mã nguồn mở (Apache 2.0): Có thể sử dụng và điều chỉnh hoàn toàn miễn phí.
- Tương thích với Transformers: Dễ dàng tích hợp và triển khai thông qua thư viện Hugging Face Transformers.
💡 Vì sao đáng chú ý
Không giống như công cụ OCR truyền thống như Tesseract chỉ nhận diện ký tự tĩnh, EraX-VL-7B-V1.5 là một mô hình ngôn ngữ lớn đa phương thức (Multimodal LLM), cho phép người dùng tương tác một cách tự nhiên thông qua lời nhắc (prompt). Điều này đòi hỏu người dùng cần “lùa” prompt một cách khéo léo tùy thuộc vào từng nhiệm vụ cụ thể.
Với kết quả đạt được trên bộ chuẩn VI-MTVQA, mô hình cho thấy hiệu suất mạnh hơn cả các đối thủ thương mại như GPT-4V hay Claude 3, nhưng vẫn giữ nguyên tính mã nguồn mở – một lợi thế lớn cho các doanh nghiệp và nghiên cứu viên tại Việt Nam.
#EraXVL #MultimodalAI #OCR #VQAModel #TiniX
Similar Projects
Discover other similar projects and AI models.
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...
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...
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...
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...
sentence-transformers/paraphrase-multilingual-MiniLM-L12-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 se...
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...
Model Card for T5 Small !model image(https://camo.githubusercontent.com/623b4dea0b653f2ad3f36c71ebfe749a677ac0a1/68747470733a2f2f6d69726f2e6d656469756d2e636f6d2f6d61782f343030362f312a44304a31674e51663876727255704b657944387750412e706e67) Table of Con...
BigScience Large Open-science Open-access Multilingual Language Model Version 1.3 / 6 July 2022 Current Checkpoint: Training Iteration 95000 Link to paper: here(https://arxiv.org/abs/2211.05100) Total seen tokens: 366B --- Model Details BLOOM is an...
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...