К содержимому
Компьютерное зрение

Xiaomi-OCR-0-vi

OCR для вьетнамских документов

2 мин чтения

Xiaomi-OCR-0-vi — это OCR-модель на базе Xiaomi-OCR-0 (0.8B), дообученная под вьетнамский язык: официальные письма (công văn), фото документов с телефона, таблицы и старопечатные тексты. Личный учебный проект автора nhtera. В репозитории лежит merged-модель, которая загружается как базовая, и LoRA-адаптер отдельно.

Ключевые особенности

  • База — Xiaomi-OCR-0 (0.8B); дообучение под вьетнамский: документы, таблицы, фото и старая печать.
  • В корне репозитория — merged-модель, в adapter/ — LoRA r32/α51.2 и emb_rows.safetensors.
  • Обучение примерно на 45k примерах: вьетнамские юридические и Wikipedia-страницы, line-датасеты, VinText, таблицы, фото английских страниц и 3,5k вычитанных сканов Wikisource.
  • Финальные веса — r6-апдейт, сжатый к базе на 0.8 без дальнейшего обучения: вернул часть английского без потерь для вьетнамского.
  • Лицензия CC-BY-NC-4.0: только исследования и личное использование — часть тренировочных данных non-commercial/research-only.

Пример

import torch
from PIL import Image, ImageOps
from transformers import AutoModelForImageTextToText, AutoProcessor

repo = "nhtera/Xiaomi-OCR-0-vi"
model = AutoModelForImageTextToText.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
proc = AutoProcessor.from_pretrained(repo)
image = ImageOps.exif_transpose(Image.open("page.jpg")).convert("RGB")
ПодробнееMDPBench-VI digital: 88.1 / 89.5 (1-NED / bag-F1) против 76.2 / 45.3 у базы.
Phone photos: 81.1 / 83.6; VN-Hard: 91.7 / 80; шапки công văn — 27 из 32.
Английский на чистых страницах близок к базе: 82.9 / 85.6, примерно на 2 пункта ниже.
Ограничения: фото с телефона — слабее всего; плотные Hán/Nôm — 50–70; бывают ошибки порядка шапки и путаница таблиц с абзацами.
Обсудить Telegram 0 18

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.6 GB · готовые файлы2.2 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.4 GB1.0 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 · BF16 — 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.

    # nhtera/Xiaomi-OCR-0-vi
    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 nhtera/Xiaomi-OCR-0-vi --local-dir ~/models/Xiaomi-OCR-0-vi
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Xiaomi-OCR-0-vi
  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

Дообучение модели

SeerRay-Lab/Xiaomi-OCR-0
  1. Qwen3.5-0.8B-Baseоснова семьи
  2. Xiaomi-OCR-0
  3. Xiaomi-OCR-0-vi

Новые посты про версии Qwen3.5-0.8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

nhtera/Xiaomi-OCR-0-vi
Автор
nhtera
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

180

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Xiaomi-OCR-0

Xiaomi-OCR-0
Компьютерное зрение

GALA-0.7B

GALA-0.7B
Компьютерное зрение

MobileGym-4B

MobileGym-4B