Instructions to use CheneyWong/paddleocr-vl16-sft800-rl-repro with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use CheneyWong/paddleocr-vl16-sft800-rl-repro with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("image-text-to-text", model="CheneyWong/paddleocr-vl16-sft800-rl-repro", trust_remote_code=True) messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"}, {"type": "text", "text": "What animal is on the candy?"} ] }, ] pipe(text=messages)# pip install -U transformers accelerate # Load model directly from transformers import AutoProcessor, AutoModelForMultimodalLM processor = AutoProcessor.from_pretrained("CheneyWong/paddleocr-vl16-sft800-rl-repro", trust_remote_code=True) model = AutoModelForMultimodalLM.from_pretrained("CheneyWong/paddleocr-vl16-sft800-rl-repro", trust_remote_code=True, device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"}, {"type": "text", "text": "What animal is on the candy?"} ] }, ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device) outputs = model.generate(**inputs, max_new_tokens=256) print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:])) - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use CheneyWong/paddleocr-vl16-sft800-rl-repro with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "CheneyWong/paddleocr-vl16-sft800-rl-repro" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "CheneyWong/paddleocr-vl16-sft800-rl-repro", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Describe this image in one sentence." }, { "type": "image_url", "image_url": { "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg" } } ] } ] }'Use Docker
docker model run hf.co/CheneyWong/paddleocr-vl16-sft800-rl-repro
- SGLang
How to use CheneyWong/paddleocr-vl16-sft800-rl-repro with SGLang:
Install from pip and serve model
# Install SGLang from pip: pip install sglang # Start the SGLang server: python3 -m sglang.launch_server \ --model-path "CheneyWong/paddleocr-vl16-sft800-rl-repro" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "CheneyWong/paddleocr-vl16-sft800-rl-repro", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Describe this image in one sentence." }, { "type": "image_url", "image_url": { "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg" } } ] } ] }'Use Docker images
docker run --gpus all \ --shm-size 32g \ -p 30000:30000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ --env "HF_TOKEN=<secret>" \ --ipc=host \ lmsysorg/sglang:latest \ python3 -m sglang.launch_server \ --model-path "CheneyWong/paddleocr-vl16-sft800-rl-repro" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "CheneyWong/paddleocr-vl16-sft800-rl-repro", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Describe this image in one sentence." }, { "type": "image_url", "image_url": { "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg" } } ] } ] }' - Docker Model Runner
How to use CheneyWong/paddleocr-vl16-sft800-rl-repro with Docker Model Runner:
docker model run hf.co/CheneyWong/paddleocr-vl16-sft800-rl-repro
Download docs/PROJECT_CONTEXT.md from CheneyWong/paddleocr-vl16-sft800-rl-repro: direct link, hf CLI and curl.
- Browser
- Download file 5.38 kB
-
https://huggingface.co/CheneyWong/paddleocr-vl16-sft800-rl-repro/resolve/main/docs/PROJECT_CONTEXT.md
- Command line
-
hf download hf://CheneyWong/paddleocr-vl16-sft800-rl-repro/docs/PROJECT_CONTEXT.md
-
curl -L -o PROJECT_CONTEXT.md https://huggingface.co/CheneyWong/paddleocr-vl16-sft800-rl-repro/resolve/main/docs/PROJECT_CONTEXT.md
前情提要与接手顺序
要解决的问题
以 PaddleOCR-VL-1.6 为基础,改善表格内容和结构识别,主要关注扫描、拍摄、手写、长表、多行多列,以及没有明显框线或混合框线的表格。弱框线中的纵向文字有时应拆成多行/单元格,有时只是一个单元格内的换行,不能仅凭换行机械拆分;要结合全图、对齐、语义与跨行跨列。
项目还观察到 SFT800 在一些简单的 MMSci / SciTSR 表格上出现结构退化或复读,因此后续训练数据不仅包含困难表,也补入普通科学表、长宽表和无 span 表,避免只训练复杂样本。
已经走过的路线
- 原 SFT:16,091 条,PaddleOCR-VL-1.6 初始化,full parameter,vision / projector / language 均训练,2 epochs 共 1,004 updates。已有比较选定 step800 为后续 RL 起点。step800 位于第二个 epoch 内,不是完成两轮的最后一步。
- 曾尝试 GRPO、GSPO、DAPO、类 DAPO,并对多个 checkpoint 做 crop + fullpage 比较;后期存在退化,不能预设最后一步最优。后续用户明确仅继续 DAPO 与类 DAPO。旧 DAPO26 / 类 DAPO26 是保留的历史对照,不在本包权重中。
- 专项 teacher:从 Base 对旧 RL 池 1,728 条做 full SFT,2 epochs / 108 updates,目标作为未来 OPD 的一个 teacher。专项评测对象是过滤后的 TableVerse、8k-scanned、8k-camera-captured,而不是拿 173k 的数量去定义 teacher 评测。没有证据说明它已在所有来源优于 SFT800。
- 当前一轮:清理伪标签、公式与表格范围问题,扩充普通表和相似 bad cases;共用冻结训练集 2,499 张。两种算法都从 SFT800 独立初始化,使用 adaptive_v4 reward,group16,4096 输出上限,repetition_penalty=1.1,8 卡独占顺序训练。每种计划 38 个更新;每 10 步及最后一步保留 HF 模型。实时状态不写死在本文,原机另有
pipeline-status.json。 - 下一步:比较每种方法所有保留 checkpoint,再按相对 SFT800 退化、低于 Base、TEDS-S ≤0.9 和复读做 case study;最终再决定 OPD student,以及 Base / SFT800 / 专项 teacher 的组合。本文不把尚未完成的 OPD 称为已训练。
本轮数据构成
| 来源 | 张数 |
|---|---|
| real-scene(原来源) | 316 |
| real-scene-Qwen-reverified-table-only | 634 |
| WTW | 661 |
| M6Doc | 78 |
| Historical | 4 |
| MMSci | 185 |
| SciTSR | 119 |
| PubTables-1M | 186 |
| PubTables-v2 | 117 |
| PubTabNet | 92 |
| FinTabNet_OTSL | 50 |
| SynthTabNet | 36 |
| synth_2d | 21 |
| 合计 | 2499 |
拍摄 1,317、扫描 376、synthetic 57、unknown 749。unknown 不能等同电子文档;手写没有完整独立标签,不能从场景字段推算其准确数量。
有 span 1,305、无 span 1,194;rowspan 502、colspan 1,238、两者都有 435。≥30 行的 301 张,≥12 列的 270 张,最长 77 行 / 最宽 27 列;GT 输出 token 最大 3,319。来源和结构统计见 完整数据分布。
候选扩量包含图像相似度和结构特征相似度,并非全部由图像检索产生;训练来源保留 retrieval_origin。去重与 heldout 隔离依据图片、原始文档身份和既有近重复审查。标签仍有机器审核成分,应保存 review provenance,不要称作全部人工正确。
离线候选 3,002 组,排除 503 组无 reward 方差后得到 2,499 张。类 DAPO 离线额外规则会留 2,338 组,但实际训练故意仍用同一份 2,499 张池,差异放在在线 rollout 过滤,便于比较。
数据与评测约定
- 模糊到无法判断的样本排除;马赛克、涂改或不可辨认文字不臆造。可辨认手写需结合全图识别。
- 不把标题、说明正文、页眉页脚、印章内容混进表格 HTML。多表或正文混入先找已有 boxes;没有 boxes 时才用 PP-DocLayoutV3 裁剪。
- 不完整商品局部表、背面透印及明确点名排除的图片不进入训练/评测;完整商品营养标签可以保留,这是用户后来的修正。
- 指定 structure-only 图片仅计算 TEDS-S,不进入训练;不可把空缺 TEDS 记成 0。
- 训练目标识别 HTML / OTSL 后统一到 Paddle 使用的 OTSL。评测保留 raw prediction、HTML 和 OTSL;公式同时对 pred / GT 归一化。
- 有些 bad case 原 GT 本身跨行跨列或单元格划分错误。已审核的裁剪、备用 GT 和多表阅读顺序修订必须同时作用于 Base / SFT / RL,不能只改单个模型的分数。
- fullpage 先布局与识别,再抽取表格与 GT 表格匹配评分,不把整页正文当成一个表格比较。
新机器接手
先校验文件、装环境、跑 CPU smoke;在确认 8 卡空闲后启动单个 DAPO 或类 DAPO 任务。生成当前短/长 crop 分片一次即可多模型复用。一个 checkpoint 推理完成后,可让 CPU 评分与下一个 checkpoint 的 GPU 推理并行;同一轮 8 卡不要叠加两个 GPU 作业。
此前一次保存因磁盘不足中断,已验证并恢复。包内有保存前空间检查、预存 dataloader 状态、保留全部 HF 导出且仅清理同轮旧恢复文件的实现。恢复与导出顺序很重要,不要直接删除正在写入或唯一可恢复的 checkpoint。