JDI-Decision-V0.9

JDI-Decision-V0.9

用内置 OCR 的 Qwen3.8-27B 决策系统，针对图像和文字回答选择题式的问题，并给出各选项的概率。适合需要从图片得到结构化选择的开发者。

由 JoyIndustrial 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：JDI-Decision-V0.9 是京东工业（JD Industrials）的决策系统，建立在 Qwen3.8-27B 上，并针对决策架构做了改动。你给它文字、图片、一个问题和一组选项，它返回一个结构化的答案，并给出每个选项的概率。内部有视觉编码器、冻结的 PaddleOCR v5 文字识别器、决策主干和 FP32 读出层。

适合谁：它适合想从图片和文字得到结构化、带分数的选择的开发者和研究者，比如识别标志牌或做视觉选择题。

行业 | 谁在用 | 怎么用 | 例子
软件 | 开发者 | 给应用加上针对图片的带分数选择题回答 | 问一块标志牌显示的是两个选项中的哪一个
工业供应 | 商品目录团队 | 读取商品图片里的文字，并在固定选项里挑选 | 根据标签照片给一件商品分类
研究 | 评测研究者 | 在公开视觉测试集上复现并测试这个系统 | 把延迟和分数与卡片的报告对比
AI 工程 | 机器学习工程师 | 在决策流程里使用选项概率 | 按最可能的选项分发请求

如果你需要开放式聊天或图片说明，可以跳过它，因为它返回的是选项和概率。

用在哪里：

• 带 CUDA GPU 的机器上的 Python 3.12
• 类 Linux 的 shell 脚本，因为安装用到了 bash
• 你自己的流程里用 Python 调用的引擎类

使用场景 | 适合谁 | 能得到什么
视觉选择题 | 开发者 | 一个答案，以及每个选项的概率
图片里的文字 | 商品目录团队 | 加入模型对图片理解的 OCR 文字
基准测试 | 研究者 | 在公开视觉测试集上的分数和延迟

如何设置：你需要 Python 3.12 和一块 CUDA GPU。安装脚本会下载 OCR 模型文件并检查它们的哈希值。

• Python 3.12
• 一块 CUDA GPU
• BF16 权重约需 52.2 GB 磁盘，4 位约 13 GB，这是估算值
• 能访问 Paddle 的托管服务来获取 OCR 压缩包

1. 用 pip 安装 Hugging Face 客户端。
2. 用 hf 命令下载这个仓库。
3. 在下载好的文件夹里运行安装脚本，它会构建一个 OCR 环境。
4. 激活那个环境并运行示例。

pip install -U huggingface_hub
hf download JoyIndustrial/JDI-Decision-V0.9

如何使用：你创建组合引擎，传入一个状态、一个带选项的问题和一张或多张图片，然后打印回应。引擎在一块 GPU 上并行运行 OCR 和视觉编码。

bash ocr_inference/setup.sh
source .venv-ocr/bin/activate
CUDA_VISIBLE_DEVICES=0 python - <<'PY'
from ocr_inference import ComboEngine
engine = ComboEngine()
try:
    response, raw = engine(
        state={},
        questions={"answer": {"type": "choice", "instructions": "What does the sign say?",
                              "criteria": {"A": "STOP", "B": "GO"}}},
        images=["example.png"],
    )
    print(response)
finally:
    engine.close()
PY

工具 | 作用
ocr_inference.ComboEngine | 运行包含 OCR 的完整系统，用于复现
inference.D3Engine | 内部的决策模型，不含 OCR 步骤
ocr_inference/setup.sh | 构建 OCR 环境并检查下载的压缩包

示例：你传入一张标志牌的照片，问它上面写了什么，并给出 STOP 和 GO 两个选项。引擎会打印一个结构化的回应，选出一个选项并给出每个选项的概率。

新手与专家：可以把它看作一个从你提供的选项里挑选的模型。第一件可以试的小事，是用卡片里的示例，配上你自己的图片和两个选项。

图片会被解码、转成 RGB 并调整大小，然后分成两条并行分支。视觉编码器提取特征，冻结的 OCR 读出文字并加入状态。决策主干连同你的问题和选项一起读取两者，FP32 读出层给出概率。视觉特征只在一个请求内部复用。

图片被解码、转换并调整大小
视觉编码器和 OCR 并行运行
决策主干读取特征和文字
FP32 读出层给出答案和概率

注意事项：

• Score: 卡片报告在 Decision Index Vision 公开测试集上得分 79.3601，11 个基准共 12,210 个请求全部成功。它称这是自报的成绩，不是经过确认的排行榜名次。
• Pending: 私有评测和在 RTX PRO 6000 上的官方延迟验证尚未完成。

Title: 请求延迟，单位毫秒，两个 H200 工作进程
平均: 345.5 ms
中位数（P50）: 282.4 ms
P80: 426.8 ms
P90: 604.2 ms

• Newer version: 卡片说 V1 已经迁到 JoyIndustrial 组织的另一个页面，这个页面是 V0.9。
• OCR license: OCR 权重和 Paddle 构建头文件保留它们上游的许可条款。
• License: Apache 2.0，许可证一行就是这样写的。
• Cost to run: 没有提到 API 密钥、账号或付费服务。你需要一块 CUDA GPU。
• Data it reaches: 你的图片和问题、安装脚本从 Paddle 的托管服务获取的 OCR 压缩包，以及下载时用到的 Hugging Face。
• Not for: 这里展示的卡片部分没有列出禁止的用途。

Hugging Face 上的数据（2026年11月13日）

• 框架：pytorch
• 参数量：26.1B
• Weights: about 52.2 GB in BF16; about 13 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：237
• 点赞：2
• 许可证：cc-by-nc-4.0
• 标签：pytorch, safetensors, qwen3_5, decision-model, multimodal, paddleocr

链接

• 模型：https://huggingface.co/JoyIndustrial/JDI-Decision-V0.9
• 文件：https://huggingface.co/JoyIndustrial/JDI-Decision-V0.9/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download JoyIndustrial/JDI-Decision-V0.9

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。