Skip to content
Other

HTR-500M

быстрое распознавание рукописного текста на 16+ языках

2 min read

Компактная модель на 497 млн параметров от автора jeeva0810 для HTR (Handwritten Text Recognition — распознавание рукописного текста). Она принимает обрезанное изображение одного слова или одной строки и за один проход переводит их в текст. В основе лежит 24-слойный энкодер Transformer со свёрточным входом и выходом CTC (алгоритм декодирования без авторегрессии), благодаря чему модель работает без генерации токен за токеном и обходит по точности даже 27-миллиардную Qwen 3.8 на 20 из 24 тестовых наборов. Пригодится разработчикам систем оцифровки архивов, анкет и исторических документов, которым нужна высокая пропускная способность на скромном железе.

Ключевые особенности

  • Поддержка 16+ языков и рукописей: уверенно читает английский, французский, норвежский, китайский, вьетнамский, 11 индийских языков и средневековые латинские манускрипты.
  • Высокая скорость без vLLM: так как у модели нет декодера, на одной NVIDIA H200 (в bf16) она обрабатывает до 3 700 изображений слов или 1 300 строк в секунду батчами.
  • Раздельные режимы для слов и строк: параметр kind переключает статистику нормализации под тип обрезки (для английских слов это снижает процент ошибок по символам CER с 5.3% до 2.8%).
  • Готовый HTTP-сервер в комплекте: в репозитории есть serve.py на базе FastAPI с динамическим батчингом для параллельных запросов.

Что можно сделать

  • Оцифровка исторических архивов и переписей: в карточке модель протестирована на средневековых манускриптах CATMuS и исторических французских документах (Belfort, POPP).
  • Высоконагруженный API распознавания бланков: развернуть serve.py с эндпоинтом /recognize_batch для массовой обработки уже нарезанных полей форм и анкет.
  • Локальная замена тяжёлым VLM: использовать вместо многомиллиардных мультимодальных моделей в пайплайнах, где детектор строк уже выделяет фрагменты текста.

Пример

from huggingface_hub import snapshot_download
import sys; path = snapshot_download("jeeva0810/htr-500m-multilingual"); sys.path.insert(0, path)
from htr_infer import Recognizer
from PIL import Image

rec = Recognizer(path)
print(rec.recognize([Image.open("word.png")], kind="word"))
print(rec.recognize([Image.open("line.png")], kind="line"))
ПодробнееБенчмарки (полные тестовые выборки, жадное декодирование): CER 0.87% / WER 2.4% на английских словах (ICDAR-24), CER 1.23% на хинди, CER 4.61% на французских строках (RIMES) и CER 11.3% на средневековых манускриптах (CATMuS).
Требования и вес: файл model.safetensors весит 2.0 ГБ (float32), для одного инстанса сервера требуется около 2 ГБ видеопамяти под веса плюс память под батч.
Ограничения: модель не умеет сама искать строки на странице (нужна предварительная обрезка), не работает с арабским языком (62% CER), плохо читает строки с соотношением ширины к высоте больше 20:1, а русский, японский и корейский видела при обучении только в виде синтетического печатного текста.
Лицензия: часть обучающих датасетов (включая IAM и RIMES) предназначена только для некоммерческих исследований — проверяйте условия перед коммерческим использованием.
Discuss Telegram 0

Will it run?

Working out the memory needs

The bot is still collecting this model's weight sizes; the estimate will appear here in a few minutes. Meanwhile you can rent a GPU with headroom.

Massed ComputeOpen Massed Compute

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # jeeva0810/htr-500m-multilingual
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download jeeva0810/htr-500m-multilingual --local-dir ~/models/htr-500m-multilingual
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to htr-500m-multilingual
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of htr-500m-multilingual (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

jeeva0810/htr-500m-multilingual
Author
jeeva0810
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments