/ Модель

Характеристики

Контекст
8 192 токена
Параметры
560 млн
Размер весов
6,7 ГБ
Лицензия
MIT
Архитектура
deepseek_vl_v2 · dense
Базовая модель
DeepSeek-OCR
Библиотека
transformers
Опубликована
20 ноя 2025

DeepSeek-OCR-Metal-MPS

Генерация текстаТекст → текст9 профессий

Многоязычная модель распознавания текста на изображениях документов, адаптированная для инференса на Apple MPS и CPU.

94скачиваний за 30 дней13лайковвеса обновлены24 дек 2025

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

DeepSeek-OCR-Metal-MPS — вариант DeepSeek-OCR, опубликованный Dogacel, с изменениями для запуска инференса на Apple Metal Performance Shaders (MPS) и CPU через Transformers. Модель принимает изображения и формирует текст, в частности распознаёт текст и извлекает содержимое из изображений документов; её архитектура относится к семейству DeepSeek VL V2, а число параметров составляет 559,7 млн. Контекст — до 8192 токенов, заявлена поддержка многоязычных сценариев.

Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README описывает запуск на MPS и CPU; интеграция с vLLM не проверена. Это доработка исходной модели deepseek-ai/DeepSeek-OCR для совместимости с указанными устройствами, поэтому качество распознавания зависит от исходной модели и входных изображений.

Сценарии применения

  • распознавание текста на сканах документов
  • извлечение содержимого из изображений документов
  • OCR на компьютерах Apple с MPS
  • OCR на CPU без GPU
  • многоязычное распознавание текста в изображениях

Ограничения

Интеграция с vLLM в README обозначена как непроверенная. Поддержка многоязычности указана без перечисления конкретных языков.

Для каких профессий подходит9

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

DeepSeek-OCR – Apple Metal Performance Shaders (MPS) & CPU Support

This repository uses the weights from the original DeepSeek-OCR and modifies model to support MPS and CPU inference

Usage

Inference using Huggingface transformers on Metal Performance Shaders (MPS) and CPU. Requirements tested on python 3.12.9:

git clone git@hf.co:Dogacel/DeepSeek-OCR-Metal-MPS
cd DeepSeek-OCR-Metal-MPS/demo

# Use mamba or conda
mamba create -n deepseek-ocr python=3.12.9 -y
mamba activate deepseek-ocr
pip install -r requirements.txt

python run_dpsk_ocr.py
from transformers import AutoModel, AutoTokenizer
import torch

model_name = 'Dogacel/DeepSeek-OCR-Metal-MPS'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
tokenizer.pad_token = tokenizer.eos_token

model = AutoModel.from_pretrained(
        model_name, 
        _attn_implementation='eager',
        trust_remote_code=True,
        use_safetensors=True,
    )

device = torch.device("mps")
dtype = torch.float16

model = model.eval().to(device).to(dtype)

prompt = "<image>\n<|grounding|>Convert the document to markdown. "
image_file = 'image.png'
output_path = 'results4'

res = model.infer(
    tokenizer, 
    device=device,
    dtype=dtype,
    prompt=prompt,
    image_file=image_file, 
    output_path = output_path, 
    base_size=1024, 
    image_size=640,
    crop_mode=False, 
    save_results = True, 
    test_compress = True,
)

vLLM

vLLM integration hasn't been tested yet.

Refer to 🌟GitHub for guidance on model inference acceleration and PDF processing, etc.

uv venv
source .venv/bin/activate
# Until v0.11.1 release, you need to install vLLM from nightly build
uv pip install -U vllm --pre --extra-index-url https://wheels.vllm.ai/nightly
from vllm import LLM, SamplingParams
from vllm.model_executor.models.deepseek_ocr import NGramPerReqLogitsProcessor
from PIL import Image

# Create model instance
llm = LLM(
    model="Dogacel/DeepSeek-OCR-Metal-MPS",
    enable_prefix_caching=False,
    mm_processor_cache_gb=0,
    logits_processors=[NGramPerReqLogitsProcessor]
)

# Prepare batched input with your image file
image_1 = Image.open("path/to/your/image_1.png").convert("RGB")
image_2 = Image.open("path/to/your/image_2.png").convert("RGB")
prompt = "<image>\nFree OCR."

model_input = [
    {
        "prompt": prompt,
        "multi_modal_data": {"image": image_1}
    },
    {
        "prompt": prompt,
        "multi_modal_data": {"image": image_2}
    }
]

sampling_param = SamplingParams(
            temperature=0.0,
            max_tokens=8192,
            # ngram logit processor args
            extra_args=dict(
                ngram_size=30,
                window_size=90,
                whitelist_token_ids={128821, 128822},  # whitelist: <td>, </td>
            ),
            skip_special_tokens=False,
        )
# Generate output
model_outputs = llm.generate(model_input, sampling_param)

# Print output
for output in model_outputs:
    print(output.outputs[0].text)

Visualizations

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DeepseekOCRForCausalLM
Ревизия весов
d9406f2

0 моделей