/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
463 млн
Лицензия
Своя лицензия
Архитектура
hunyuan_vl · dense
Базовая модель
HunyuanOCR
Библиотека
mlx
Опубликована
4 мая 2026

hunyuanocr-mlx

Изображение и текст → текст10 профессий

Конверсия зрительно-языковой модели Tencent HunyuanOCR для OCR, разбора документов и извлечения текста на Mac с Apple Silicon через MLX.

142скачиваний за 30 дней2лайкавеса обновлены4 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AnandSingh/hunyuanocr-mlx — конверсия OCR-модели Tencent HunyuanOCR для запуска через Apple MLX на компьютерах Mac с Apple Silicon. Это плотная зрительно-языковая модель семейства Hunyuan-VL с архитектурой HunYuanVLForConditionalGeneration; в метаданных указано 463,5 млн параметров и контекст 32 768 токенов. Модель принимает изображения и текстовые инструкции, а в ответ может распознавать текст, извлекать сведения и разбирать документы.

Модель предназначена для поиска текста на изображениях, разбора сложных документов и таблиц, распознавания формул и извлечения субтитров из видео. В README также заявлены перевод текста на фотографиях и высокие результаты в этих задачах, но сравнительные оценки не приведены. В примерах используются китайские инструкции; метаданные характеризуют языки модели как многоязычные.

Для работы требуются Mac с Apple Silicon, macOS 14 или новее, Python 3.9+ и библиотеки MLX, Transformers, PyTorch и Pillow. Репозиторий использует формат safetensors. Указанная лицензия — other; конкретные условия необходимо сверить с карточкой модели. Конверсия не связана с Tencent и не одобрена компанией.

Сценарии применения

  • распознавание текста и его координат на изображениях
  • извлечение текста и структуры из документов и таблиц
  • распознавание формул с выводом в LaTeX
  • извлечение субтитров из видео
  • перевод текста на фотографиях

Ограничения

Для инференса нужны Mac с Apple Silicon и macOS 14 или новее. В README не приведены сравнительные результаты и подробные условия лицензии; указана только категория «other».

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HunyuanOCR MLX

HunyuanOCR converted to Apple MLX for native Apple Silicon inference on Mac.

This is a conversion of Tencent's HunyuanOCR — a 1B parameter OCR expert Vision-Language Model. It achieves SOTA across text spotting, complex document parsing, information extraction, video subtitle extraction, and photo translation.

Model Architecture

ComponentSpec
TypeVision-Language Model (VLM)
Parameters~1B
Vision Encoder27-layer ViT, 1152 dim, 16 heads
Language Model24-layer decoder, 1024 dim, GQA (16Q/8KV)
Featuresxdrope RoPE, QK normalization, RMS norm, SiLU SwiGLU
Dtypefloat16
FormatMLX

Quick Start

pip install mlx transformers torch torchvision Pillow
git clone https://huggingface.co/AnandSingh/hunyuanocr-mlx
import mlx.core as mx
from PIL import Image

# Import the model code
from hunyuan_ocr_mlx import HunyuanOCR, HunyuanOCRProcessor

model = HunyuanOCR("config.json")
model.load_weights("model.safetensors")
processor = HunyuanOCRProcessor.from_pretrained(".")

# Run OCR
img = Image.open("document.jpg")
prompt = "检测并识别图片中的文字,将文本坐标格式化输出。"
processed = processor.process([img], [prompt])

hidden_states, past_kvs = model(
    input_ids=processed.input_ids,
    pixel_values=processed.pixel_values,
    position_ids=processed.position_ids,
    attention_mask=processed.attention_mask,
    grid_thw=processed.grid_thw,
)

# Generate
logits = model.lm_head(hidden_states[:, -1:, :])
next_token = mx.argmax(logits[:, -1, :], axis=-1)

Prompt Examples

TaskPrompt
Text Spotting检测并识别图片中的文字,将文本坐标格式化输出。
Document Parsing提取文档图片中正文的所有信息用markdown格式表示,其中页眉、页脚部分忽略,表格用html格式表达,文档中公式用latex格式表示,按照阅读顺序组织进行解析。
Formula Recognition识别图片中的公式,用LaTeX格式表示。
Table Extraction把图中的表格解析为 HTML。
Chart Parsing解析图中的图表,对于流程图使用Mermaid格式表示,其他图表使用Markdown格式表示。
Information Extraction提取图片中的: ['key1','key2', ...] 的字段内容,并按照JSON格式返回。
Translation先提取文字,再将文字内容翻译为英文。

Requirements

  • Apple Silicon Mac (M1/M2/M3/M4)
  • macOS 14+
  • Python 3.9+
  • MLX, transformers, torch, Pillow

License

This model is a derivative of Tencent HunyuanOCR, licensed under the Tencent Hunyuan Community License Agreement.

Attribution

Original model by Tencent Hunyuan Vision Team. This MLX conversion is not affiliated with or endorsed by Tencent.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
HunYuanVLForConditionalGeneration
Ревизия весов
5a2f342

0 моделей