Instructions to use OL-Neuland/Ministral-8B-InvoiceXpert with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use OL-Neuland/Ministral-8B-InvoiceXpert with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("image-text-to-text", model="OL-Neuland/Ministral-8B-InvoiceXpert")
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)

# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("OL-Neuland/Ministral-8B-InvoiceXpert")
model = AutoModelForMultimodalLM.from_pretrained("OL-Neuland/Ministral-8B-InvoiceXpert")
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=40)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use OL-Neuland/Ministral-8B-InvoiceXpert with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "OL-Neuland/Ministral-8B-InvoiceXpert"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "OL-Neuland/Ministral-8B-InvoiceXpert",
		"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/OL-Neuland/Ministral-8B-InvoiceXpert

SGLang

How to use OL-Neuland/Ministral-8B-InvoiceXpert 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 "OL-Neuland/Ministral-8B-InvoiceXpert" \
    --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": "OL-Neuland/Ministral-8B-InvoiceXpert",
		"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 "OL-Neuland/Ministral-8B-InvoiceXpert" \
        --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": "OL-Neuland/Ministral-8B-InvoiceXpert",
		"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"
						}
					}
				]
			}
		]
	}'

Unsloth Studio

How to use OL-Neuland/Ministral-8B-InvoiceXpert with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for OL-Neuland/Ministral-8B-InvoiceXpert to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for OL-Neuland/Ministral-8B-InvoiceXpert to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for OL-Neuland/Ministral-8B-InvoiceXpert to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="OL-Neuland/Ministral-8B-InvoiceXpert",
    max_seq_length=2048,
)

Docker Model Runner
How to use OL-Neuland/Ministral-8B-InvoiceXpert with Docker Model Runner:
```
docker model run hf.co/OL-Neuland/Ministral-8B-InvoiceXpert
```

Uploaded finetuned model

Developed by: OL-Neuland
License: apache-2.0
Finetuned from model : unsloth/ministral-3-8b-instruct-2512-unsloth-bnb-4bit

This mistral3 model was trained 2x faster with Unsloth and Huggingface's TRL library.

📄 Ministral-8B-InvoiceXpert

Über das Modell

Dieses Modell wurde im Rahmen eines IHK-Abschlussprojekts entwickelt. Es handelt sich um ein feingetuntes Vision-Language-Modell (VLM), das darauf spezialisiert ist, deutsche Rechnungen und Belege zu lesen und in hochstrukturierte Markdown-Formate (inklusive Kopfdaten und Positionstabellen) zu konvertieren.

Basis-Modell: ministral-3-8b-instruct Training: Finetuning via LoRA (Vision & Language Layers) mit unsloth in bfloat16.

🎯 Anwendungsfall

Das Modell dient als Kernkomponente für ein automatisiertes, lokales Rechnungsarchiv. Es extrahiert selbstständig:

Rechnungsnummer, Datum, Absender, Gesamtbetrag
Tabellarische Auflistung aller Rechnungspositionen
Schlechtes Scannen oder unleserliche Bereiche (markiert als [unleserlich])

⚠️ System Prompt

Um die korrekte Struktur zu erhalten, muss folgender System-Prompt verwendet werden:

Du bist ein präziser KI-Archivar. Deine Aufgabe ist es, die angehängte Rechnung oder den Beleg für ein durchsuchbares Volltext-Archiv zu transkribieren und zu strukturieren. Halte dich strikt an diese Regeln:

Nur Text: Gib ausschließlich den transkribierten und strukturierten Inhalt aus.
Kopfdaten: Erfasse die wichtigsten Rahmendaten übersichtlich am Anfang (z.B. Absender, Datum, Rechnungsnummer, Gesamtbetrag).
Tabellen-Format: Wenn auf der Rechnung einzelne Positionen/Artikel aufgelistet sind, wandle diese zwingend in eine saubere Markdown-Tabelle um.
Keine Halluzinationen: Erfinde niemals Zahlen, Artikel oder Namen hinzu.
Umgang mit Schäden: Wenn ein Wort unleserlich ist, schreibe [unleserlich].

💻 Nutzung (Python / Unsloth)

Da aktuelle Client-Tools (wie LM Studio / Ollama) die neuartige Architektur des Ministral-Vision-Projectors derzeit noch nicht nativ unterstützen, wird die Nutzung über Python empfohlen:

Downloads last month: 5

Safetensors

Model size

9B params

Tensor type

BF16

OL-Neuland
/

Ministral-8B-InvoiceXpert