К содержимому
Другое

ThakiOCR-KOEN-G2M-R2

компактное распознавание строк на корейском и английском

2 мин чтенияобновлено

Лёгкая модель оптического распознавания текста (OCR) на 8,93 млн параметров, которая считывает заранее вырезанную строку изображения и возвращает её расшифровку на корейском или английском языке. Это вторая итерация от ThakiCloud, дообученная на базе весов ThakiOCR-KOEN-G2M-Preview на протяжении 80 000 дополнительных шагов. Сама нейросеть не ищет текст на странице и работает в паре с внешним детектором строк или разметки документа. По сравнению с первой версией заметно снизилась доля ошибок на синтетических данных, а на реальных сканах документов улучшение минимально. Подойдёт исследователям для экспериментов в конвейерах обработки двуязычных печатных документов (статус модели — research preview, для продакшена она не предназначена).

Ключевые особенности

  • Сверхкомпактный размер: всего 8,93 млн параметров (веса в fp32), модель без проблем запускается даже на CPU.
  • Архитектура с CTC (Connectionist Temporal Classification): свёрточный энкодер с 6 блоками depthwise 1-D свёртки и жадным декодированием без внешней языковой модели.
  • Двуязычный словарь: поддержка 14 250 символов (корейские слоги хангыль, латиница, цифры и спецсимволы).
  • Автономный запуск: весь инференс умещается в один файл inference.py на базе PyTorch, NumPy, Pillow и safetensors под лицензией Apache-2.0.

Что можно сделать

  • Встроить в исследовательский пайплайн распознавания документов после модели детекции строк (layout-модели) для чтения печатного корейского и английского текста.
  • Сравнить качество распознавания на синтетических и реальных сканах с базовой версией G2M-Preview, так как оба репозитория используют идентичный код инференса.

Пример

from inference import ThakiOCR

ocr = ThakiOCR(".", device="cpu")
print(ocr.recognize(["line1.png", "line2.png"]))
ПодробнееМетрики (CER, ниже — лучше): на синтетике ko_val ошибка снизилась с 6,38% до 5,36%, на en_val — с 5,49% до 4,59%, на реальных строках real_ival_line — с 8,43% до 8,37%.
Обучение: 80 000 доп. шагов (120 000 всего), 4,45 GPU-часа на одной NVIDIA B200 на смеси из 10,24 млн примеров (NVIDIA synthetic и AI Hub 71299).
Ограничения: принимает только одиночные чёрно-белые строки шириной до 2048 px после ресайза (высота 48 px); не подходит для рукописного текста, фото и критически важных полей в финансовых документах.
Обсудить Telegram 0 9

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

    # ThakiCloud/ThakiOCR-KOEN-G2M-R2
    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 ThakiCloud/ThakiOCR-KOEN-G2M-R2 --local-dir ~/models/ThakiOCR-KOEN-G2M-R2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ThakiOCR-KOEN-G2M-R2
  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

ThakiCloud/ThakiOCR-KOEN-G2M-Preview

Новые посты про версии ThakiOCR-KOEN-G2M-Preview — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

ThakiCloud/ThakiOCR-KOEN-G2M-R2
Автор
ThakiCloud
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

90

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

ThakiOCR-JA-v1

ThakiOCR-JA-v1