Erax VL 7B V1.5

🚀 EraX-VL-7B-V1.5

EraX-VL-7B-V1.5是一款强大的多模态模型，专注于OCR（光学字符识别）和VQA（视觉问答）任务，尤其在越南语处理上表现出色。它能精准识别多种文档，如医疗表格、发票等，适用于医院、保险公司等场景。

✨ 主要特性

• 多语言支持：主要支持越南语，同时具备多语言处理能力。
• 精准识别：能准确识别多种文档，包括医疗表格、发票、销售账单等。
• 多轮问答：具备强大的多轮问答和推理能力。
• 高性能表现：在基准测试中，相比同等规模甚至参数大10倍的模型，表现卓越，且已开源。

模型信息

开发与资助信息

• 开发者：
  • Nguyễn Anh Nguyên (nguyen@erax.ai)
  • Nguyễn Hồ Nam (BCG)
  • Phạm Huỳnh Nhật (nhat.ph@erax.ai)
  • Phạm Đình Thục (thuc.pd@erax.ai)
• 资助方：Bamboo Capital Group 和 EraX

重要提示

⚠️ 重要提示

• EraX-VL-7B-V1.5不是像Tesseract那样的典型OCR工具，而是基于多模态大语言模型的模型。为了有效使用它，你可能需要根据任务仔细调整提示。
• 该模型尚未使用医疗（X光）数据集或汽车事故数据集进行微调。请关注2025年初发布的更新版本。

🚀 快速开始

安装必要的包：

python -m pip install git+https://github.com/huggingface/transformers accelerate
python -m pip install qwen-vl-utils
pip install flash-attn --no-build-isolation

然后你可以像这样使用 EraX-VL-7B-V1.5：

import os
import base64
import json

import cv2
import numpy as np
import matplotlib.pyplot as  plt

import torch
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model_path = "erax/EraX-VL-7B-V1.5"

model = Qwen2VLForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="eager", # replace with "flash_attention_2" if your GPU is Ampere architecture
    device_map="auto"
)

tokenizer =  AutoTokenizer.from_pretrained(model_path)
# processor = AutoProcessor.from_pretrained(model_path)

min_pixels = 256 * 28 * 28
max_pixels = 1280 * 28 * 28
processor = AutoProcessor.from_pretrained(
     model_path,
     min_pixels=min_pixels,
     max_pixels=max_pixels,
 )

image_path ="image.jpg"

with open(image_path, "rb") as f:
    encoded_image = base64.b64encode(f.read())
decoded_image_text = encoded_image.decode('utf-8')
base64_data = f"data:image;base64,{decoded_image_text}"

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": base64_data,
            },
            {
                "type": "text",
                "text": "Trích xuất thông tin nội dung từ hình ảnh được cung cấp."
            },
        ],
    }
]

# Prepare prompt
tokenized_text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

image_inputs, video_inputs = process_vision_info(messages)

inputs = processor(
    text=[ tokenized_text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Generation configs
generation_config =  model.generation_config
generation_config.do_sample   = True
generation_config.temperature = 1.0
generation_config.top_k       = 1
generation_config.top_p       = 0.9
generation_config.min_p       = 0.1
generation_config.best_of     = 5
generation_config.max_new_tokens     = 2048
generation_config.repetition_penalty = 1.06

# Inference
generated_ids = model.generate(**inputs, generation_config=generation_config)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)

print(output_text[0])

📊 基准测试

🏆 排行榜

EraX-VL-7B-V1.5与同等规模甚至参数大10倍的其他模型相比，表现极为出色，并且我们将其开源！你可以随时重新运行基准测试。

论文中评估模型的测试代码可在：EraX-JS-Company/EraX-MTVQA-Benchmark 找到。

🎉 API试用

如需API访问，请联系 nguyen@erax.ai。

💻 使用示例

1. OCR - 多图像光学字符识别

示例01: 身份证

正面视图

背面视图

来源: Google Support

{
    "Số thẻ": "037094012351",
    "Họ và tên": "TRỊNH QUANG DUY",
    "Ngày sinh": "04/09/1994",
    "Giới tính": "Nam",
    "Quốc tịch": "Việt Nam",
    "Quê quán": "Tân Thành, Kim Sơn, Ninh Bình",
    "Nơi thường trú": "Xóm 6\nTân Thành, Kim Sơn, Ninh Bình",
    "Có giá trị đến": "04/09/2034",
    "Đặc điểm nhân dạng": "sẹo chấm c. 1cm trên đuôi mắt trái",
    "Nơi cấp": "CỤC TRƯỞNG CỤC CẢNH SÁT\nQUẢN LÝ HÀNH CHÍNH VỀ TRẬT TỰ XÃ HỘI",
    "Ngày cấp": "10/12/2022",
    "Cán bộ ký tên": "Nguyễn Quốc Hùng",
    "Mã định danh": "IDVNM0940123513037094012351"
}

示例02: 驾驶证

正面视图

背面视图

来源: Báo Pháp luật

{
  "No.":"400116012313",
  "Fullname":"NGUYỄN VĂN DŨNG",
  "Date_of_birth":"08/06/1979",
  "Nationality":"VIỆT NAM",
  "Address":"X. Quỳnh Hầu, H. Quỳnh Lưu, T. Nghệ An Nghệ An, ngày/date 23 tháng/month 04 năm/year 2022",
  "Hang_Class":"FC",
  "Expires":"23/04/2027",
  "Place_of_issue":"Nghệ An",
  "Date_of_issue":"ngày/date 23 tháng/month 04 năm/year 2022",
  "Signer":"Trần Anh Tuấn",
  "Các loại xe được phép":"Ô tô hạng C kéo rơmoóc, đầu kéo kéo sơmi rơmoóc và xe hạng B1, B2, C, FB2 (Motor vehicle of class C with a trailer, semi-trailer truck and vehicles of classes B1, B2, C, FB2)",
  "Mã số":""
}

示例03: 车辆登记证

来源: Báo Vietnamnet

{
    "Tên chủ xe": "NGUYỄN TÔN NHUẬN",
    "Địa chỉ": "KE27 Kp3 P.TTTây Q7",
    "Nhãn hiệu": "HONDA",
    "Số loại": "DYLAN",
    "Màu sơn": "Trắng",
    "Năm sản xuất": "2012",
    "Số máy": "F03E-0057735",
    "Số khung": "SA04F-070410",
    "Dung tích": "152",
    "Số chỗ ngồi": "02",
    "Biển số đăng ký": "59V1-498.89",
    "Đăng ký lần đầu ngày": "08/06/2004",
    "Chức vụ": "Thượng tá",
    "Người ký": "Trần Văn Hiểu"
}

示例04: 车辆登记

来源: https://llumar.com.vn

{
    "vehicle": {
        "registration_number": "30A-072.36",
        "vehicle_inspection_number": "2903V-093515",
        "type": "ô tô con",
        "mark": "MERCEDES-BENZ",
        "model_code": "C300 W204",
        "engine_number": "27294732096079",
        "chassis_number": "RLMGF5EX3DV005333",
        "manufactured_year_and_country": "2013, Việt Nam",
        "life_time_limit_to": "",
        "commercial_use": "",
        "modification": ""
    },
    "specifications": {
        "wheel_formula": "4x2",
        "wheel_tread": "1521/1512 (mm)",
        "overall_dimension": "4650 x 1770 x 1429 (mm)",
        "largest_luggage_container_dimension": "",
        "wheelbase": "2760 (mm)",
        "kerb_mass": "1575 (kg)",
        "design_authorized_pay_load": "",
        "design_authorized_total_mass": "2090/2090 (kg)",
        "design_authorized_towed_mass": "",
        "permissible_number_of_pers_carried": "5 chỗ ngồi, 0 chỗ đứng, 0 chỗ nằm",
        "type_of_fuel_used": "Xăng",
        "engine_displacement": "2996 (cm3)",
        "max_output_per_rpm": "170(kW)/6000vph",
        "number": "KC-1292285"
    },
    "inspection_report_number": "2905V-20953/16",
    "valid_until": "31/01/2018",
    "place_date_of_issue": "Hà Nội, ngày 1 tháng 8 năm 2016",
    "inspection_center": "ĐƠN VỊ KIỂM ĐỊNH XE CƠ GIỚI",
    "signature": "Ngọc Tuấn",
    "equipped_with_tachograph": "",
    "inspection_stamp_was_not_issued": "",
    "notes": "Biển đăng ký nền trắng"
}

示例05: 收据

来源: https://tintucketoan.com/

{
    'Mẫu số': '01GKTKT3/001', 
    'Ký hiệu': 'TC/18P', 
    'Số': '0000030', 
    'Họ tên người mua hàng': None, 
    'Tên đơn vị': 'Công Ty TNHH Kế Toán Hà Nội', 
    'Mã số thuế': '0106235869', 
    'Địa chỉ': 'Số 49 Ngõ 322 Lê Trọng Tấn, phường Khương Mai, quận Thanh Xuân, Hà Nội', 
    'Hình thức thanh toán': 'TM', 
    'STT': None, 
    'Tên hàng hóa, dịch vụ': 'Tra cứu phần mềm thư viện pháp luật trực tuyến', 
    'Đơn vị tính': None, 
    'Số lượng': None, 
    'Đơn giá': '168.000', 
    'Thành tiền': '2.016.000', 
    'Thuế suất GTGT': None, 
    'Tiền thuế GTGT': None, 
    'Tổng cộng tiền thanh toán': '2.016.000', 
    'Số tiền viết bằng chữ': 'Hai triệu, không trăm mười sáu nghìn đồng', 
    'Người bán hàng': 'Bùi Văn Hùng', 
    'Chức vụ người bán hàng': 'TRƯỞNG CHI NHÁNH'
}

2.1 图像描述

该图像是一个按年龄划分的BMI图表，展示了儿童身体质量指数（BMI）与年龄之间的关系。图表被划分为不同颜色的区域，对应不同的BMI水平：

• 红色区域：BMI指数高于25，表示肥胖状况。
• 黄色区域：BMI指数在18到25之间，表示有肥胖风险。
• 浅绿色区域：BMI指数在16到18之间，表示营养健康状况良好。
• 深绿色区域：BMI指数低于16，表示体重不足状况。

纵轴表示BMI指数，横轴表示年龄（以年为单位）。深灰色曲线表示按年龄划分的BMI标准线。这些曲线展示了BMI随时间的变化，有助于评估儿童体重的发展情况。例如，3岁以下的儿童，BMI通常在体重不足或营养健康良好的范围内波动。随着儿童长大，BMI有逐渐增加的趋势，但增长速度可能因个体而异。图表还显示了百分位数（Percentile），表示与同年龄组儿童相比，BMI较低或较高的儿童比例。这有助于将儿童的BMI与国际标准进行比较。

2.2 图像描述

这幅图像捕捉到了一个充满情感和悲伤的场景，似乎发生在一个贫困地区，可能是一个定居点或贫民窟。图像的中心是一辆由一头驴拉着的手推车。手推车上有一群人，包括一位看起来像是向导的年长男子、一位穿着黑色外套的妇女、一位穿着灰色衣服的年轻妇女、一个用头巾遮住脸的小女孩和一个穿着绿色衣服的小男孩。他们似乎正在从一个被破坏的地区转移到另一个地方。他们周围是碎片、垃圾和倒塌的建筑物，显示出一个艰难和匮乏的生活环境。在他们身后，有一些人正在步行或骑自行车，一些人还带着行李。天空湛蓝，但整个图像的气氛沉重而悲伤。这可能是一个移民、避难或其他悲惨事件的场景。

3. 多轮视觉问答与推理

来源: https://kenh14.vn

• 用户：请提供患者信息
• 助手：姓名：NGUYỄN THỊ THÁI TRINH，出生日期：09/09/1993，性别：女，地址：TÂN ĐỊNH - Q1 - TPHCM，医保卡号：19169080，病历号：2569501，区域代码（K1/K2/K3）：2
• 用户：她被诊断出患有什么疾病？
• 助手：肠道细菌感染，未确定菌种
• 用户：患者有既往病史吗？如果有，是什么？
• 助手：饮食导致的钙缺乏
• 用户：患者进行了哪些检查？
• 助手：[NQ286] 外周血细胞总体分析（通过激光计数仪），[NQ286] 电解质图谱（钠、钾、氯）[血液]，[NQ286] 谷丙转氨酶（GPT）活性测定 [血液]，[NQ286] 谷草转氨酶（GOT）活性测定 [血液]，[NQ286] 全钙定量 [血液]，[NQ286] 肌酐定量 [血液]，[NQ286] 葡萄糖定量 [血液]，[NQ286] 血尿素定量 [血液]，[NQ286] 腹部超声（肝脏、胆囊、胰腺、脾脏、肾脏、膀胱）
• 用户：患者需要支付的医疗用品费用是多少？
• 助手：19,708
• 用户：患者需要支付的药品和输液费用是哪些，总费用是多少？
• 助手：Atropin Sulfat (Syv2019)、Bicefzidim 1g (Syv2019)、GONCAL (Syv2019)、Lactated Ringer's - 500ml (Syv2019)、Nước cất pha tiêm 5ml (Syv2019)、Sodium Chloride 0.9% - 500ml (Syv2019)、Vincomid (Syv2019)、Vinopa (Syv2019)，总计45,234越南盾

📚 详细文档

参考文献

[1] Qwen team. Qwen2-VL. 2024. [2] Bai, Jinze, et al. "Qwen-VL: A Versatile Vision-Language Model for Understanding, Localization, Text Reading, and Beyond." arXiv preprint arXiv:2308.12966 (2023). [4] Yang, An, et al. "Qwen2 technical report." arXiv preprint arXiv:2407.10671 (2024). [5] Chen, Zhe, et al. "Internvl: Scaling up vision foundation models and aligning for generic visual-linguistic tasks." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2024. [6] Chen, Zhe, et al. "How far are we to gpt-4v? closing the gap to commercial multimodal models with open-source suites." arXiv preprint arXiv:2404.16821 (2024). [7] Tran, Chi, and Huong Le Thanh. "LaVy: Vietnamese Multimodal Large Language Model." arXiv preprint arXiv:2404.07922 (2024).

🤝 联系我们

• 有关这项工作的通信或API试用咨询，请联系 Nguyễn Anh Nguyên，邮箱：nguyen@erax.ai。
• 关注我们的 EraX Github。