Add files using upload-large-folder tool

README.md

@@ -1,27 +1,142 @@
 ---
-license: apache-2.0
+license: openrail
+base_model: datalab-to/surya-ocr-2
+library_name: transformers
+pipeline_tag: image-text-to-text
+language:
+- fr
+tags:
+- ocr
+- manga
+- comics
+- qwen3.5
+- surya
+model-index:
+- name: Surya Bubble OCR Poneglyph
+  results:
+  - task:
+      type: image-text-to-text
+      name: Bubble text transcription
+    dataset:
+      name: Poneglyph held-out bubble OCR
+      type: custom
+      split: test
+    metrics:
+    - type: cer
+      value: 0.0045099636
+      name: CER
+    - type: wer
+      value: 0.0165559530
+      name: WER
+    - type: exact_match
+      value: 0.9065354884
+      name: Exact match
 ---
 
 # Surya Bubble OCR Poneglyph
 
-Fine-tuned `datalab-to/surya-ocr-2` crop OCR model for Projet Poneglyph manga
-bubble transcription.
+Fine-tune de [`datalab-to/surya-ocr-2`](https://huggingface.co/datalab-to/surya-ocr-2)
+pour la transcription exacte de bulles de manga francophones recadrées.
+Ce modèle transcrit une bulle à la fois ; il ne détecte pas les bulles et ne
+renvoie pas de bounding boxes.
 
-## Latest Modal H100 Benchmark
+## Résultats
 
-Run completed on 2026-07-01 from training job
-`229565d7-0dd2-426f-8823-09e5812635a1`.
+Entraînement local sur une NVIDIA RTX 3090. Le split est effectué par page :
+aucune page source n'est partagée entre train, validation et test.
 
-| Metric | Value |
+| Split | Pages | Bulles |
+| --- | ---: | ---: |
+| Train | 749 | 6 793 |
+| Validation | 161 | 1 311 |
+| Test held-out | 161 | 1 423 |
+
+Benchmark final exhaustif sur les 1 423 bulles du test held-out :
+
+| Métrique | Résultat |
 | --- | ---: |
-| CER | 2.028% |
-| WER | 3.078% |
-| Exact match | 90.09% |
-| Average Levenshtein | 0.667 chars |
-| Blank rate | 0.00% |
-| Multiline rate | 0.00% |
-| Hallucination rate | 0.00% |
-| Test samples | 1221 |
-
-The model is active for `surya_bubble_ocr` in the Poneglyph training registry,
-even though the latest LightOn crop OCR benchmark is stronger.
+| CER | **0,451 %** |
+| WER | **1,656 %** |
+| Exact match | **90,65 %** |
+| Levenshtein moyen | **0,1595 caractère** |
+| Sorties vides | **0 / 1 423** |
+| Hallucinations sur références vides | **0** |
+| Limite de génération atteinte | **0 / 1 423** |
+
+Les textes très courts de 1 à 2 caractères atteignent 100 % d'exact match
+sur 98 exemples. Les erreurs restantes se concentrent principalement sur les
+onomatopées ambiguës, la casse et les répétitions de rires.
+
+Le fichier [`benchmark_test.json`](benchmark_test.json) contient les métriques,
+les tranches par longueur et les prédictions de chaque échantillon.
+
+## Utilisation
+
+```python
+import torch
+from PIL import Image
+from transformers import AutoModelForImageTextToText, AutoProcessor
+
+model_id = "Remidesbois/surya-bubble-ocr-poneglyph"
+processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
+model = AutoModelForImageTextToText.from_pretrained(
+    model_id,
+    dtype=torch.bfloat16,
+    device_map="cuda",
+    trust_remote_code=True,
+).eval()
+
+image = Image.open("bulle.png").convert("RGB")
+messages = [{
+    "role": "user",
+    "content": [
+        {"type": "image", "image": "bulle.png"},
+        {
+            "type": "text",
+            "text": "Transcris exactement le texte visible dans cette bulle. Ne rajoute rien.",
+        },
+    ],
+}]
+prompt = processor.apply_chat_template(
+    messages,
+    add_generation_prompt=True,
+    tokenize=False,
+)
+inputs = processor(text=[prompt], images=[image], return_tensors="pt").to("cuda")
+
+with torch.inference_mode():
+    output_ids = model.generate(
+        **inputs,
+        max_new_tokens=256,
+        do_sample=False,
+    )
+
+prompt_tokens = inputs["input_ids"].shape[1]
+text = processor.batch_decode(
+    output_ids[:, prompt_tokens:],
+    skip_special_tokens=True,
+)[0].strip()
+print(text)
+```
+
+## Entraînement
+
+- 665,7 M paramètres, dont 606,0 M entraînables ;
+- modèle langage complet, merger multimodal et 4 derniers blocs vision ;
+- BF16 et TF32 ;
+- batch physique 16, accumulation de gradient 2 ;
+- 5 époques, sélection du meilleur checkpoint sur le CER génératif ;
+- budget de génération de 256 tokens.
+
+Le pipeline reproductible se trouve dans le dossier
+`docker_scripts/finetune_surya_bubble_ocr` du projet Poneglyph.
+
+## Limites
+
+- Le test est un holdout par page issu du même projet et du même processus de
+  validation que le train ; il ne mesure pas une généralisation universelle à
+  tous les mangas, langues ou styles d'impression.
+- Le modèle attend un crop contenant une seule zone de texte.
+- Les onomatopées rares ou très stylisées restent la principale source
+  d'erreurs.
+- La licence `openrail` est héritée du modèle de base.

config.json

@@ -78,7 +78,7 @@
     "vocab_size": 65425
   },
   "tie_word_embeddings": true,
-  "transformers_version": "5.13.0.dev0",
+  "transformers_version": "5.14.1",
   "use_cache": true,
   "video_token_id": 12,
   "vision_config": {

generation_config.json

@@ -2,8 +2,8 @@
   "_from_model_config": true,
   "do_sample": false,
   "eos_token_id": 2,
-  "max_new_tokens": 96,
+  "max_new_tokens": 256,
   "pad_token_id": 0,
-  "transformers_version": "5.13.0.dev0",
+  "transformers_version": "5.14.1",
   "use_cache": true
 }

model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:7e942d090963621481f202af702282172b9fac5534df2d9530eda172807fb777
+oid sha256:9d3554f1487caa1fd33c30e6a397d306b0d71fe041639f8668482ad3b02a223d
 size 1331461328

processor_config.json

@@ -22,7 +22,7 @@
     "resample": 3,
     "rescale_factor": 0.00392156862745098,
     "size": {
-      "longest_edge": 16777216,
+      "longest_edge": 1048576,
       "shortest_edge": 65536
     },
     "temporal_patch_size": 2

tokenizer.json

@@ -1,7 +1,14 @@
 {
   "version": "1.0",
   "truncation": null,
-  "padding": null,
+  "padding": {
+    "strategy": "BatchLongest",
+    "direction": "Left",
+    "pad_to_multiple_of": 16,
+    "pad_id": 0,
+    "pad_type_id": 0,
+    "pad_token": "<|endoftext|>"
+  },
   "added_tokens": [
     {
       "id": 0,