当前状态
Table with columns: 项目, 状态| 项目 | 状态 |
|---|
| 配置、分词器和图像处理器本地加载 | 通过,Transformers 5.6.2 |
| 权重嵌入矩阵与分词器词表一致性 | 通过,248,654 |
| 全部 610 个 added tokens 的单词元编码和无损解码 | 通过 |
| 原始模型 CPU OCR | 合成短页通过,26 个词元,约 19.3 秒 |
| HF 模型仓库 | 已创建;原始 BF16 权重与必要配置随本模型卡一并提交 |
| ONNX 转换 | 已完成,见独立 ONNX 仓库 |
| 实际浏览器 WebGPU 测试 | Chrome 157 / A800,通过;26 个词元与 CPU 原模型逐个一致 |
本地加载检查不代表 OCR 准确率或浏览器兼容性验证通过。本发布不提供未经本次复现的准确率成绩。
模型信息
Table with columns: 配置, 值| 配置 | 值 |
|---|
| 模型类型 | qwen3_5 |
| 架构 | Qwen3_5ForConditionalGeneration |
| 文件中存储的参数总数 | 2,213,925,696 |
| 权重精度 | BF16 |
| 权重格式 | model.safetensors,4,427,926,928 bytes |
| 文本层数 | 24,线性注意力与完整注意力混合 |
| 文本 hidden size | 2,048 |
| 词表大小 | 248,654 |
| 图像处理器 | Qwen2VLImageProcessorFast / Qwen3VLProcessor |
| checkpoint 来源记录中的 step | 72,000 |
上述参数来自提供的 checkpoint 及其本地元数据。模型卡按实际 Qwen3.5 架构命名;GitHub 开发分支按教师要求使用 feat/ocr-wang-qwen25vl。
输入与输出约定
已有推理数据中的用户提示词为:
<image>Convert this page to docling.
<image> 由图像消息和处理器处理。需要保留原始分词器、对话模板和 DocTags 词元编号。
DocTags 输出包括 <doctag>、<text>、表格及布局相关标签;不能以另一模型的分词器或词表替代。
用户提供的 ms-swift/vLLM 推理入口采用以下设置,作为后续本模型实测的起点:
model_type=qwen3_5,关闭 thinking,贪心生成。
temperature=0.0,top_p=1.0,repetition_penalty=1.02。
max_pixels=2073600,max_model_len=32768。
- assistant response prefix:
<think>\n\n</think>\n\n<doctag>。
- stop words:
<|im_end|>、<|endoftext|>、</doctag>。
配置中 eos_token_id=248044,分词器中 <|im_end|> 的 ID 为 248046,<|endoftext|> 的 ID 为 248044。
后续推理应显式核对终止行为;当前准备阶段保留源配置,不修改词元编号。
发布文件范围
本仓库提供原始权重、配置、generation config、processor 配置、分词器、对话模板、模型卡及许可证。
本地 checkpoint manifest 含有内部训练路径,排除在上传清单之外。
训练样本、内部评测图片、优化器状态及其他模型 checkpoint 不属于此次上传范围。
经发布者确认,模型署名为 wangcheng,本微调模型采用 Apache-2.0。
许可证文本取自 Qwen3.5-2B 的 LICENSE,并保留其原文。
checkpoint 来源为发布者提供的本地完整模型;完整训练数据说明尚未补充。
ONNX 与 WebGPU
当前文件为 PyTorch 权重,不能直接作为 ONNX 或浏览器模型加载。
转换版本见 ONNX 模型仓库。固定依赖、实际输出和截图见 GitHub 测试记录。
公开合成短页实测

输入图片、CPU 原模型报告和原始输出位于 validation/。该短页功能测试不代替完整 benchmark。