К содержимому
Компьютерное зрение

diffu-minicpm-ocr-htr

OCR для шведских рукописных архивов

2 мин чтения

Полный файнтюн MiniCPM-OCR-1.0 на 1,55 млрд параметров читает шведские рукописные архивные записи: одну строку или целый текстовый регион со строками в порядке чтения. Модель обучена как reader для проекта diffu и сравнивается с Riksarkivet Swedish Lion TrOCR на тех же данных и тестовых строках.

Ключевые особенности

  • Обучена на GT-Lejonet HTR: 1 481 877 строк и 83 072 региона; тестовый split test_0050 не использовался.
  • Полный файнтюн: vision encoder и языковая модель обучены, aligner заморожен; 28 000 из 36 681 шага (2,3 эпохи) на двух RTX PRO 6000 Blackwell.
  • Нужен vLLM commit fa3b9d13 или новее; кроп строки/региона — белый фон вне полигона, масштаб до примерно 448×448 (регион до 9×).
  • На одной RTX PRO 6000 Blackwell прочитала 5 000 тестовых строк со скоростью 68,55 строк/с; baseline — 7,91 строк/с.
  • Ограничения: хуже читает незнакомые почерки, периоды и типы записей; может заменить старую орфографию на современную или потерять букву; при near-greedy decoding возможны повторы до лимита токенов.

Пример

vllm serve Gabriel/diffu-minicpm-ocr-htr --served-model-name htr --max-model-len 8192 --limit-mm-per-prompt '{"image": 4, "video": 0}' --mm-processor-kwargs '{"downsample_mode": "4x", "max_slice_nums": 9}' --trust-request-mm-kwargs --default-chat-template-kwargs '{"enable_thinking": false}
ПодробнееБенчмарки: 5 000 строк test_0050 — mean CER 5,22%, CER (OpenBMB) 5,64%, WER 20,06%; 6 358 OOD-строк — mean CER 7,21%.
У Swedish Lion TrOCR на тех же наборах mean CER 4,17% и 6,67% соответственно.
Требования: vLLM, max-model-len 8192, до 448×448 на строку; лицензия Apache-2.0. На тесте 3 чтения достигли лимита токенов — повторный хвост можно обрезать.
Обсудить Telegram 0 2

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Gabriel/diffu-minicpm-ocr-htr
    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 Gabriel/diffu-minicpm-ocr-htr --local-dir ~/models/diffu-minicpm-ocr-htr
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к diffu-minicpm-ocr-htr
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии diffu-minicpm-ocr-htr — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Gabriel/diffu-minicpm-ocr-htr
Автор
Gabriel
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

20

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

PRISM-1B

PRISM-1B