tabularium
Estudio local-first para fine-tuning de VLMs en archivos de tablas densas sin líneas. Incluye anotación, pre-llenado OCR, exportación a ms-swift/LoRA y evaluación integrada.
Ficha actualizada 22 sept 2026, 16:05 · upstream 22 sept 2026, 15:51 · release v0.1.0
Qué es tabularium
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Tabularium es un entorno de desarrollo local diseñado específicamente para el ajuste fino (fine-tuning) de modelos Visuales Lenguaje (VLMs) en archivos que contienen tablas densas sin líneas divisorias. Su flujo de trabajo abarca desde el registro de un archivo de escaneos hasta la obtención de un checkpoint fine-tuned, pasando por anotación manual, pre-llenado opcional y evaluación.
- Anotación de registros históricos con tablas sin líneas divisorias
- Fine-tuning de modelos MonkeyOCRv2 para tablas densas
- Exportación de datasets a formato JSONL compatible con ms-swift/LoRA
- Evaluación de modelos con métricas IoU, CER/WER y overlay GT-vs-prediction
- Gestión de infraestructura híbrida (local + Vast.ai/RunPod)
- Corrección de páginas mediante rectificación neural integrada
- Estudio de anotación especializado para tablas sin bordes (borderless tables) con editor de celdas
- Soporte nativo a ms-swift/LoRA training con scripts oficiales y gestión de VRAM
- Prefill opcional con OCR local en CPU o modelos vLLM en GPU con control de proveniencia
- Gestión de infraestructura híbrida integrada (local + Vast.ai/RunPod) con túnel SSH
- Exportación de datasets en JSONL con splits deterministas por página para evitar fugas de datos
- Evaluación integrada con métricas IoU, CER/WER y lista de fallos más graves
- GPU NVIDIA ≥8GB VRAM requerida para inferencia/entrenamiento; solo Linux directo o WSL2 en Windows
- macOS no soporta CUDA localmente; requiere Linux remoto o Vast.ai para modelos GPU
- No incluye Dockerfile ni Compose; despliegue manual con scripts de instalación
- Merge LoRA en checkpoint vLLM-servable no está integrado aún (seguimiento futuro)
- Dependencia de vLLM para modelos externos (MonkeyOCRv2, etc.) y gestión de entornos
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instalar backend/frontend con scripts proporcionados. GPU NVIDIA ≥8GB VRAM requerida para modelos. Linux recomendado para CUDA; macOS/Windows requieren WSL2 o nube. Configurar env vars (TABULARIUM_ROOT, AUTH). Verificar libGL en headless Linux. Entornos Python separados para app y modelos.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.