chore(scratch): archives des scripts exploratoires de choix d'OCR

Conservés comme trace de recherche — non documentés, non factorisés,
ne pas dépendre de ce dossier depuis le code de production.

- test_glm_ocr.py          : benchmark GLM-OCR 0.9B (écarté pour
                             faiblesse sur dp_libelle, praticien et
                             colonne Recodage).
- test_got_ocr.py          : tests GOT-OCR2.0 (échec sur tableaux
                             denses à en-têtes verticaux).
- test_paddle.py           : tentative PaddleOCR (incompatible avec
                             paddlepaddle installé).
- test_surya.py            : tentative Surya (incompatible
                             transformers 5.6).
- test_qwen_vl.py          : Qwen2.5-VL-7B (excellent mais 220s/page,
                             écarté faute de VRAM et vitesse).
- test_qwen_vl_3b.py       : Qwen2.5-VL-3B (retenu, 3s/page, qualité
                             > GLM-OCR sur les champs critiques).
- test_prompt_ab.py        : A/B test prompts Accord/Désaccord.
- test_prompt_crop*.py     : prompts + crop ciblé checkboxes (échec
                             → module pipeline/checkboxes.py).
- test_prompt_recueil_*.py : prompts page recueil (consignes verbeuses
                             dégradent la sortie, cf. discussion).
- README.md                : index du dossier.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

scratch/test_qwen_vl.py

@@ -0,0 +1,81 @@
+"""Test Qwen2.5-VL-7B sur les 4 dossiers de référence."""
+import sys
+import time
+import torch
+from pathlib import Path
+from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
+from qwen_vl_utils import process_vision_info
+from pipeline.ingest import pdf_to_images
+
+MODEL = "Qwen/Qwen2.5-VL-7B-Instruct"
+
+PROMPT = """Lis cette fiche médicale OGC (contrôle T2A Assurance Maladie) et renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+Les codes CIM-10 sont au format lettre + 2 à 4 chiffres (ex: K650, T814).
+Les codes CCAM sont au format 4 lettres + 3 chiffres (ex: EBFA012).
+Les codes GHM sont au format 2 chiffres + lettre + 3 chiffres (ex: 11M122).
+Les codes GHS sont des nombres à 3-5 chiffres (ex: 4323).
+Si un champ est illisible, laisse une chaîne vide. Ne devine pas.
+
+{
+  "n_ogc": "",
+  "codage_etab": {"dp": "", "dp_libelle": "", "dr": "", "das": [{"code": "", "position": ""}]},
+  "codage_reco": {"dp": "", "dr": "", "das": [{"code": "", "position": ""}]},
+  "ghm_etab": "", "ghs_etab": "",
+  "ghm_reco": "", "ghs_reco": "",
+  "praticien_conseil": ""
+}"""
+
+CASES = ["2018 CARC/OGC 7.pdf", "2018 CARC/OGC 27.pdf", "2018 CARC/OGC 55.pdf", "2018 CARC/OGC 86.pdf"]
+
+
+def main():
+    print(f"--- Chargement {MODEL} ---")
+    t0 = time.time()
+    # max_pixels limite les patches visuels ; Qwen2.5-VL par défaut pousse
+    # jusqu'à 12M pixels ce qui explose la VRAM sur RTX 5070 avec 12 Go.
+    # On cible ~1.25M pixels (env. 1120x1120) → ~1600 tokens visuels.
+    processor = AutoProcessor.from_pretrained(
+        MODEL,
+        min_pixels=256 * 28 * 28,
+        max_pixels=1280 * 28 * 28,
+    )
+    model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
+        MODEL,
+        torch_dtype=torch.bfloat16,
+        device_map="auto",
+    )
+    print(f"Modèle chargé en {time.time()-t0:.1f}s")
+    print(f"VRAM = {torch.cuda.memory_allocated()/1e9:.2f} Go")
+
+    Path("test_qwen_out").mkdir(exist_ok=True)
+    for pdf in CASES:
+        name = Path(pdf).stem
+        img = str(pdf_to_images(pdf)[0])
+        messages = [{
+            "role": "user",
+            "content": [
+                {"type": "image", "image": img},
+                {"type": "text", "text": PROMPT},
+            ],
+        }]
+        text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+        image_inputs, video_inputs = process_vision_info(messages)
+        inputs = processor(
+            text=[text], images=image_inputs, videos=video_inputs,
+            padding=True, return_tensors="pt",
+        ).to(model.device)
+
+        t0 = time.time()
+        with torch.no_grad():
+            gen = model.generate(**inputs, max_new_tokens=2048)
+        out_ids = gen[:, inputs.input_ids.shape[1]:]
+        output = processor.batch_decode(out_ids, skip_special_tokens=True)[0]
+        elapsed = time.time() - t0
+
+        print(f"\n=== {name} ({elapsed:.1f}s) ===")
+        print(output[:1200])
+        (Path("test_qwen_out") / f"{name}.txt").write_text(output)
+
+
+if __name__ == "__main__":
+    main()