wolk1612/inspector-page-cls

Классификатор типа страницы строительной документации

Модель сервиса «Инспектор ИИ» (ЛЦТ-2026, задача 10): по странице PDF ставит тип страницы (32 класса: титул, план, АОСР, сертификат, …), признак первой страницы документа, раздел проекта (19 разделов) и качество скана.

Как устроена. LiLT (поток раскладки — SCUT-DLVCLab/lilt-infoxlm-base, MIT) с текстовым потоком ruBert (ai-forever/ruBert-base, Apache-2.0) дообучена целиком: на вход — слова страницы с рамками. К вектору [CLS] (768) добавляется вектор картинки страницы SigLIP2 (google/siglip2-base-patch16-512, Apache-2.0, ревизия a89f5c5093f902bf39d3cd4d81d2c09867f0724b; эту модель сервис скачивает сам) — 2304 признака. Поверх — линейные головы.

Файлы. backbone/ — веса LiLT + ruBert; tokenizer/; heads.npz — головы; predict.py — загрузка и разметка (load(model_dir, device), Classifier.predict(pages)), heads.py — головы и дообучение, page_render.py, siglip_img.py; manifest.json — версия, словари меток, SHA-256 файлов. Обучающих данных в репозитории нет.

В сервисе. Каталог кладётся в service/models/page-cls (скрипт scripts/prefetch_models.sh). Страницы с уверенностью в типе ниже порога 0.86 сервис отдаёт Qwen3.8. Дообучение — по кнопке в сервисе на загруженных туда документах: исправленные разметчиком страницы (вес 5.0) и остальные страницы с текущими метками; головы дообучаются от этих весов, новая версия публикуется только после утверждения человеком.

Скорость на RTX 5090: 135 страниц в секунду (пачка 32), пик видеопамяти 3.51 ГБ.

Лицензия — Apache-2.0; базовые модели — MIT и Apache-2.0.