Skip to content
Other

Hayai OCR v2.7 Supernova

сверхбыстрое распознавание текста на CJK и английском

2 min readupdated

Компактная vision-to-text модель на 157 млн параметров от автора JustANormalTinkerer для распознавания вырезанных фрагментов текста (crop-level OCR) на японском, китайском, корейском и английском языках. Она объединяет визуальный энкодер Google SigLIP2 NaFlex и 12-слойный декодер с архитектурой GQA (Grouped Query Attention — механизм внимания с группировкой запросов для ускорения инференса). В отличие от классических пайплайнов, модель считывает плотный, стилизованный, изогнутый и разнонаправленный текст за один проход без промежуточного детектора строк. Пригодится разработчикам сканлейт-инструментов, парсеров комиксов и систем перевода изображений.

Ключевые особенности

  • Двунаправленный порядок чтения: блок VisualCausalFlow разделяет внимание на горизонтальные головы (слева направо для английского, китайского, корейского и горизонтального японского) и вертикальные (справа налево для манги).
  • Слияние признаков со всех слоёв: механизм StaticDepthFusion берёт данные со всех 12 слоёв SigLIP2, сохраняя мелкие штрихи иероглифов и диакритические знаки с ранних уровней.
  • Рекордная точность в бенчмарках: обходит лидеров публичного рейтинга на JMangaBench_Read v1.3.3 и JMangaBench_Hard v1.0 при бюджете 256 патчей.
  • Высокая пропускная способность: поддержка CUDA Graphs, упаковки визуальных батчей и предсвёрнутых весов обеспечивает до 147.28 изображений в секунду.

Что можно сделать

  • Встроить в пайплайн перевода манги, манхвы и комиксов в паре с детектором текстовых пузырей (например, YOLO или DBNet).
  • Использовать для пакетного распознавания звуковых эффектов (SFX), рукописных вставок и стилизованных надписей на CJK-языках и английском.
  • Запускать в высоконагруженных OCR-сервисах на недорогих видеокартах уровня Tesla T4 с минимальной задержкой на фрагмент.

Пример

from PIL import Image
from transformers import AutoModel, AutoProcessor

MODEL_ID = "JustANormalTinkerer/hayai-ocr-v2.7-supernova"
model = AutoModel.from_pretrained(MODEL_ID, trust_remote_code=True).cuda().eval()
processor = AutoProcessor.from_pretrained(MODEL_ID, trust_remote_code=True)

image = Image.open("example.png").convert("RGB")
text = model.ocr(image, processor, max_patches=256, use_cuda_graph=True)
ПодробнееМетрики (p256): 98.72 Composite (95.17% EM, 1.79% CER) на JMangaBench_Read v1.3.3 и 96.10 Score (88.72% EM, 4.77% CER) на JMangaBench_Hard v1.0.
Скорость и железо: 147.28 img/s (6.59 мс на кроп) на Tesla T4 в fp16 при batch_size=512; пиковое потребление VRAM — 7.59 ГБ.
Ограничения: работает только с уже вырезанными текстовыми блоками (не для целых страниц); требует trust_remote_code=True и repetition_penalty=1.0.
Обучение: дообучена с чекпоинта v2.5 на 2× Tesla T4 в два этапа на японских, синтетических и мультиязычных датасетах CJK+EN.
Discuss Telegram 0 40

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.6 GB · ready files1.1 GB
  • BF16weights 0.3 GB0.8 GB
  • FP8 / INT8recommendedweights 0.1 GB0.7 GB
  • 4-bitweights 0.1 GB0.6 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

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.

    # JustANormalTinkerer/hayai-ocr-v2.7-supernova
    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 JustANormalTinkerer/hayai-ocr-v2.7-supernova --local-dir ~/models/hayai-ocr-v2.7-supernova
    # The model is in ~/models. How to run it is in the model card (link above).
  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 hayai-ocr-v2.7-supernova (quants, finetunes, LoRAs) will show up under the bell.

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

About the model

JustANormalTinkerer/hayai-ocr-v2.7-supernova
Author
JustANormalTinkerer
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

400

Ask AI about this model

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

Comments

Other

MM-PET-AI

MM-PET-AI