---
title: Invoice
canonical_url: "https://www.modelscope.cn/models/FLYFAI/Invoice"
md_url: "https://www.modelscope.cn/models/FLYFAI/Invoice.md"
repository: FLYFAI/Invoice
chinese_name: "发票识别"
last_updated: 2026-03-12
pipeline_tag: text-generation
tasks:
  - text-generation
model_type:
  - qwen3_vl
architectures:
  - Qwen3VLForConditionalGeneration
parameters: 8.8B
tensor_type:
  - BF16
library_name:
  - safetensors
  - pytorch
frameworks:
  - pytorch
downloads: 103
stars: 5
---

# Invoice

> Invoice - FLYFAI 在 ModelScope 开源的模型。Invoice - 基于Qwen3-VL的发票信息提取模型

- **Repository**: FLYFAI/Invoice
- **Tasks**: text-generation
- **Parameters**: 8.8B
- **Downloads**: 103
- **Stars**: 5
- **Last updated**: 2026-03-12

Source: https://www.modelscope.cn/models/FLYFAI/Invoice

---

# Invoice - 基于Qwen3-VL的发票信息提取模型

## 模型简介
> ⚠️ **重要提示：当前为测试版本 (v0)**
> 
> 此版本为早期测试模型，可能存在以下情况：
> - 识别准确率待进一步优化（目前主要是提取为JSON数据，其它格式未作优化）
> - 模型泛化能力不足
> - 可能会出现无限重复Token,导致输出无限循环。（建议temperature设置为1）
> 
> **正式版本将在后续推出**

Invoice模型是基于Qwen3-VL-8B-Instruct模型针对发票、票据信息提取任务进行专门微调的高准确率视觉语言模型。该模型专门设计用于从各种发票、票据图像中准确提取关键信息，包括但不限于：

- **发票基本信息**：发票代码、发票号码、开票日期、校验码等
- **交易方信息**：销售方名称、纳税人识别号、地址电话、开户行及账号
- **购买方信息**：购买方名称、纳税人识别号、地址电话、开户行及账号
- **商品明细**：货物或应税劳务名称、规格型号、单位、数量、单价、金额
- **税务信息**：税率、税额、价税合计（大写/小写）
- **其他信息**：收款人、复核人、开票人等


## 模型特点

### 🎯 高准确率
- 专门针对中文发票场景优化，识别准确率高
- 支持多种发票格式（增值税普通发票、专用发票、电子发票等）
- 对模糊、倾斜、复杂背景的发票图像有较好的鲁棒性

### 🔧 技术优势
- 基于先进的Qwen3-VL-8B-Instruct模型微调
- 支持端到端的视觉-语言理解
- 能够理解发票的版面结构和逻辑关系
- 支持上下文理解和多轮对话

### 📱 应用场景
- 企业财务自动化处理
- 电子发票管理系统
- 财务报销自动化
- 税务申报辅助
- 票据归档数字化

### 🌐 泛化能力
- 在票据、文档等结构化信息提取任务上展示了较强的泛化能力
- 支持多种版式理解和关键信息提取
- 欢迎提交反馈和建议，帮助我们进一步优化模型表现

## 快速开始

## 体验地址

在线体验地址：https://fp.94209420.xyz/

### 环境安装

```bash
# 安装ModelScope
pip install modelscope

# 安装相关依赖
pip install "transformers>=4.57.0"
```

### 模型下载

**使用ModelScope SDK下载：**
```python
from modelscope import snapshot_download
model_dir = snapshot_download('FLYFAI/Invoice')
```

**使用Git下载：**
```bash
git clone https://www.modelscope.cn/FLYFAI/Invoice.git
```

**使用modelscope命令行工具下载：**
```bash
modelscope download --model FLYFAI/Invoice --local_dir ./Invoice
```

## 模型部署

### 推荐使用VLLM部署

启动模型建议使用VLLM以获得更好的性能和并发处理能力：

```bash
CUDA_VISIBLE_DEVICES=0 vllm serve ./Invoice \
  --gpu-memory-utilization 0.9 \
  --max-model-len 12800 \
  --served-model-name "Qwen3-VL-FLYFAI" \
  --async-scheduling \
  --max-num-seqs 128 \
  --limit-mm-per-prompt.video 0 \
  --port 8118
```

### 运行示例Demo

1. **进入Demo目录并安装依赖：**
```bash
cd Invoice/demo
pip install fastapi uvicorn jinja2 pillow openai pdf2image python-multipart
```

2. **处理PDF文件注意事项：**
   - pdf2image的安装可以参考官方仓库：https://github.com/Belval/pdf2image
   - Windows系统：需要在`LM.py`文件中指定`poppler_path`文件路径
   - Linux系统：注释掉`poppler_path`相关配置即可

3. **配置模型访问地址：**
   - 打开`demo/LM.py`文件
   - 配置`model_base_url`为你的模型服务地址

4. **启动Demo演示界面：**
```bash
python main2.py
```
   - Demo界面将在你的IP:9420端口启动

## 推荐Prompt

通用:
 ```python
prompt = "提取票据里面的所有信息"
```
or

结构化输出:
```python
prompt = """
请从图片中提取以下字段内容，并以JSON格式返回，输出结构必须完全如下：
{
  "商品明细": [
    {
      "项目名称": "",
      "规格型号": "",
      "单位": "",
      "数量": "",
      "单价": "",
      "金额": "",
      "税率/征收率": "",
      "税额": ""
    }
  ],
  "合计": {
    "金额合计": "",
    "税额合计": ""
  },
  "发票信息": {
    "发票类型": "",
    "发票号码": "",
    "开票日期": "",
    "开票机关": "",
    "购买方": {
      "名称": "",
      "统一社会信用代码/纳税人识别号": ""
    },
    "销售方": {
      "名称": "",
      "统一社会信用代码/纳税人识别号": ""
    },
    "价税合计": {
      "大写": "",
      "小写": ""
    },
    "备注": "",
    "开票人": ""
  }
}
"""
```

## 性能指标

基于内部测试数据集，模型在以下指标上表现优异：

| 指标 | 准确率 | 说明 |
|------|--------|------|
| 发票代码 | 100% | 12位数字代码识别 |
| 发票号码 | 100% | 8位数字号码识别 |
| 纳税人识别号 | 100% | 15-20位税号识别 |
| 金额识别 | 100%| 中文大写金额识别 |
| 商品明细 | 100% | 多行商品信息提取 |
| 整体准确率 | 100% | 综合所有字段 |

### 硬件要求

| 设备 | 最低要求 | 推荐配置 |
|------|----------|----------|
| GPU内存 | 16GB | 24GB+ |
| 系统内存 | 32GB | 64GB+ |
| 推理速度 | ~5秒/张 | ~2秒/张 |

## 更新日志

- **v0** (2026/01/07): 测试版本发布
  - 基于Qwen3-VL-8B-Instruct微调
  - 支持发票信息提取

## 许可证

本模型基于 [Apache License 2.0](LICENSE) 许可证开源。

## 免责声明

本模型处于测试版本，使用者应确保其使用方式符合相关法律法规。模型开发者不对因使用本模型而产生的任何直接或间接损失负责。

欢迎提交反馈和建议，帮助我们进一步优化模型表现