Ascend-SACT/PP-DocBee-2B
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

一、模型概述

PP-DocBee 是飞桨团队自研的一款专注于文档理解的多模态大模型,在中文文档理解任务上具有卓越表现。该模型通过近 500 万条文档理解类多模态数据集进行微调优化,各种数据集包括了通用VQA类、OCR类、图表类、text-rich文档类、数学和复杂推理类、合成数据类、纯文本数据等,并设置了不同训练数据配比。在学术界权威的几个英文文档理解评测榜单上,PP-DocBee基本都达到了同参数量级别模型的SOTA。在内部业务中文场景类的指标上,PP-DocBee也高于目前的热门开源和闭源模型。

二、环境准备

2.1 环境信息

组件版本/状态
操作系统Ubuntu 22.04.5 LTS(aarch64)
Python3.11.15
驱动25.2.0
CANN8.5.2
NPU910B3

2.2 容器构建

docker pull swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:8.5.2-910b-ubuntu22.04-py3.11

export IMAGE=swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:8.5.2-910b-ubuntu22.04-py3.11
docker run --privileged \
  --name PP-DocBee \
  --net=host \
  --shm-size=1g \
  --device /dev/davinci_manager \
  --device /dev/devmm_svm \
  --device /dev/hisi_hdc \
  -v /usr/local/dcmi:/usr/local/dcmi \
  -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
  -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
  -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
  -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
  -v /etc/ascend_install.info:/etc/ascend_install.info \
  -v /mnt:/mnt \
  -w /workspace \
  -itd $IMAGE /bin/bash

2.3 依赖包安装

包名版本用途安装命令
paddlepaddle3.0.0.dev20250527 (CPU)仅需CPU版本,用于加载和转换 .pdparams 权重pip3 install paddlepaddle==3.0.0.dev20250527
torch2.9.0 (+cpu)PyTorch 框架pip3 install torch==2.9.0
torch-npu2.9.0Ascend NPU 后端pip3 install torch-npu==2.9.0
torchvision0.24.0图像处理(兼容 torch 2.9.0)pip3 install torchvision==0.24.0
transformers5.9.0HF 模型加载 + Qwen2-VL 架构pip3 install transformers==5.9.0
safetensors0.7.0safetensors 权重格式pip3 install safetensors==0.7.0

2.4 安装验证

# torch
python3 -c "import torch; print('torch:', torch.__version__)"
# torch_npu
python3 -c "
import torch, torch_npu
x = torch.randn(100, 100).to('npu:0')
y = torch.matmul(x, x.T)
print('NPU matmul OK, device:', y.device)
"
# paddle
python3 -c "import paddle; print('PaddlePaddle:', paddle.__version__)"
# transformers
python3 -c "from transformers import Qwen2VLConfig; print('transformers: OK')"
# safetensors
python3 -c "from safetensors.torch import load_file; print('safetensors: OK')"

三、模型转换

3.1 模型权重下载

PP-DocBee-2B 是 PaddleX 官方模型,可直接通过如下链接下载

# 模型权重默认会存在 /root/.paddlex/official_models/ 目录,此案例均以此目录为例
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_inference_model/paddle3.0.0/PP-DocBee-2B_infer.tar

tar -xf PP-DocBee-2B_infer.tar

下载后的文件结构

/root/.paddlex/official_models/PP-DocBee-2B/
├── model_state.pdparams      (4.2GB, 核心权重文件)
├── config.json               (4.0KB)
├── generation_config.json    (241B)
├── tokenizer_config.json     (5.0KB)
├── special_tokens_map.json   (958B)
├── added_tokens.json         (419B)
├── vocab.json                (3.6MB)
├── merges.txt                (1.6MB)
└── inference.yml             (47B)

3.2 模型权重转换 (pdparams → safetensors)

模型权重转换脚本执行

python3 convert_bf16.py

转换过程说明

步骤说明
1. 加载paddle.load() 读取 model_state.pdparams(729 个 tensor),输入目录:/root/.paddlex/official_models/PP-DocBee-2B/
2. 格式转换Paddle 张量 → float32 numpy → torch 张量
3. 名称映射visual.* → model.visual.*, model.layers.* → model.language_model.layers.*
4. 转置处理Paddle 线性层 [in, out] → PyTorch [out, in],嵌入层不转置
5. 精度转换float32 → bfloat16
6. 保存safetensors 格式,~4.42GB,输出目录:/root/.paddlex/official_models/PP-DocBee-2B-hf/

权重名称映射说明

Paddle 命名HF Transformers 命名
visual.patch_embed.proj.weightmodel.visual.patch_embed.proj.weight
visual.blocks.0.mlp.fc1.weightmodel.visual.blocks.0.mlp.fc1.weight
model.layers.0.self_attn.q_proj.weightmodel.language_model.layers.0.self_attn.q_proj.weight
model.embed_tokens.weightmodel.language_model.embed_tokens.weight
model.norm.weightmodel.language_model.norm.weight

3.3 图像处理器配置文件

此外,HF Transformers 还需要生成图像处理器配置文件 preprocessor_config.json

python3 -c "
from transformers import Qwen2VLImageProcessor
Qwen2VLImageProcessor().save_pretrained('/root/.paddlex/official_models/PP-DocBee-2B-hf')
"

生成的 preprocessor_config.json 内容:

{
  "size": {"longest_edge": 1003520, "shortest_edge": 3136},
  "do_convert_rgb": true,
  "do_resize": true,
  "resample": 3,
  "do_rescale": true,
  "rescale_factor": 0.00392156862745098,
  "do_normalize": true,
  "patch_size": 14,
  "temporal_patch_size": 2,
  "merge_size": 2,
  "image_mean": [0.48145466, 0.4578275, 0.40821073],
  "image_std": [0.26862954, 0.26130258, 0.27577711],
  "image_processor_type": "Qwen2VLImageProcessor"
}

3.4 转换后的模型目录

/root/.paddlex/official_models/PP-DocBee-2B-hf/
├── model.safetensors       (4.42GB, 转换后的 bfloat16 权重)
├── config.json                  (从原始模型复制)
├── generation_config.json       (从原始模型复制)
├── tokenizer_config.json        (从原始模型复制)
├── special_tokens_map.json      (从原始模型复制)
├── added_tokens.json            (从原始模型复制)
├── vocab.json                   (从原始模型复制)
├── merges.txt                   (从原始模型复制)
└── preprocessor_config.json     (新生成,图像处理器配置)

四、模型推理

4.1 推理脚本说明

# 使用示例
python infer.py --device npu:2 --image-path ./medal_table.png

# 参数说明
--model-path: 模型名称,默认值:"~/.paddlex/official_models/PP-DocBee-2B-hf"
--image-path: 推理图片路径,默认值:"~/.paddlex/predict_input/medal_table.png"
--device: 设备id,默认值:"npu:0"
--prompt: 模型提示词,默认值:"识别这份表格的内容, 以markdown格式输出"
--max-new-tokens: 最大生成token数,默认值:1024
--ngram: N-gram 投机解码配置,设置为 0 时不使用,默认值:2

4.2 推理测试结果

测试图片 如下:


推理结果如下:

# python test_bf16.py --device npu:2 --image-path ./medal_table.png
Loading config...
Initializing model...
Loading bfloat16 weights...
  Re-tied lm_head.weight to embed_tokens.weight
Moving to npu:2...

=== Text-only test (greedy) ===
[transformers] Setting `pad_token_id` to `eos_token_id`:151645 for open-end generation.
  Input: The quick brown fox jumps over
  Output: The quick brown fox jumps over the lazy dog. The quick brown fox
  Time: 1.20s, Steps: 8

=== Text + Image test (greedy, max_new_tokens=1024 (n-gram=2)) ===
  Warmup (64 tokens)...
[transformers] Setting `pad_token_id` to `eos_token_id`:151645 for open-end generation.
[transformers] Setting `pad_token_id` to `eos_token_id`:151645 for open-end generation.
  Output:
system
You are a helpful assistant.
user
Please list all countries and their medal counts in a table format.
assistant
| 名次 | 国家/地区 | 金牌 | 银牌 | 铜牌 | 奖牌总数 |
|---|---|---|---|---|---|
| 1 | 中国(CHN) | 48 | 22 | 30 | 100 |
| 2 | 美国(USA) | 36 | 39 | 37 | 112 |
| 3 | 俄罗斯(RUS) | 24 | 13 | 23 | 60 |
| 4 | 英国(GBR) | 19 | 13 | 19 | 51 |
| 5 | 德国(GER) | 16 | 11 | 14 | 41 |
| 6 | 澳大利亚(AUS) | 14 | 15 | 17 | 46 |
| 7 | 韩国(KOR) | 13 | 11 | 8 | 32 |
| 8 | 日本(JPN) | 9 | 8 | 8 | 25 |
| 9 | 意大利(ITA) | 8 | 9 | 10 | 27 |
| 10 | 法国(FRA) | 7 | 16 | 20 | 43 |
| 11 | 荷兰(NED) | 7 | 5 | 4 | 16 |
| 12 | 乌克兰(UKR) | 7 | 4 | 11 | 22 |
| 13 | 肯尼亚(KEN) | 6 | 4 | 6 | 16 |
| 14 | 西班牙(ESP) | 5 | 11 | 3 | 19 |
| 15 | 牙买加(JAM) | 5 | 4 | 2 | 11 |


  Generation time: 19.02s
  Decode steps: 452
  Per-step time: 42.1ms

文本测试通过:正确补全了经典句子 "the lazy dog"
图文测试通过:正确识别了测试图片中的表格数据

4.3 性能数据

策略平均耗时每步耗时相对提升
标准(N-gram=0)22.28s49.3ms—
N-gram=219.86s43.9ms+11%