К содержимому
Другое

Hayai OCR v2.7 Supernova

сверхбыстрое распознавание текста на CJK и английском

2 мин чтенияобновлено

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.
Обсудить Telegram 0 40

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.6 GB · готовые файлы1.1 GB
  • BF16веса 0.3 GB0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

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.

    # JustANormalTinkerer/hayai-ocr-v2.7-supernova
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hayai-ocr-v2.7-supernova
  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 hayai-ocr-v2.7-supernova — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

JustANormalTinkerer/hayai-ocr-v2.7-supernova
Автор
JustANormalTinkerer
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

400

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

MM-PET-AI

MM-PET-AI