/ Модель

Характеристики

Контекст
131 072 токена
Параметры
318 млн
Размер весов
1,8 ГБ
Лицензия
Apache 2.0
Архитектура
paddleocr_vl · dense
Базовая модель
PaddleOCR-VL-1.6
Библиотека
mlx
Опубликована
10 сен 2026

PaddleOCR-VL-1.6-MLX-16bit

Генерация текстаТекст → текст13 профессий

Конверсия PaddleOCR-VL-1.6 для локального OCR и структурирования изображений документов на Apple Silicon.

404скачиваний за 30 дней0лайковвеса обновлены10 сен 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

OpenGryd/PaddleOCR-VL-1.6-MLX-16bit — конверсия PaddlePaddle/PaddleOCR-VL-1.6 в формат MLX для запуска на компьютерах Apple Silicon. Это мультимодальная модель обработки документов на основе ERNIE-4.5 с архитектурой PaddleOCRVLForConditionalGeneration; в README указано 0,9 млрд параметров, а размер файлов составляет около 1,81 ГБ. Модель использует точность bfloat16 без квантизации, принимает изображение вместе с текстовым запросом и выдаёт текстовый разбор документа. Контекст — до 131 072 токенов; языковые метки карточки указывают английский, китайский и многоязычную поддержку.

Модель предназначена для локального распознавания и структурирования документов: извлекает текст целых страниц в Markdown или JSON, анализирует макет, распознаёт таблицы и формулы, диаграммы, печати и текстовые области. Повышенный предел разрешения изображения нацелен на распознавание мелкого текста, но увеличивает время обработки крупных страниц; README приводит замеры на 8-битной версии. Для работы требуется библиотека mlx-vlm и включение trust_remote_code=True, а запрос должен включать изображение. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение текста со сканов и фотографий страниц
  • преобразование страниц документов в Markdown или JSON
  • распознавание структуры таблиц в документах
  • извлечение формул в формате LaTeX
  • анализ макета страницы и распознавание диаграмм и печатей

Ограничения

При обработке полноразмерных страниц повышенное разрешение может заметно увеличить время работы и расход памяти. Требуются изображение во входных данных, mlx-vlm и trust_remote_code=True; текстовый ввод без изображения не поддерживается.

Для каких профессий подходит13

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

PaddleOCR-VL-1.6-MLX-16bit

MLX 16-bit (bfloat16) conversion of PaddlePaddle/PaddleOCR-VL-1.6, a 0.9B-parameter vision-language model for document parsing. Converted for Apple Silicon, running locally with mlx-vlm.

This is the full-precision (unquantized) sibling of OpenGryd/PaddleOCR-VL-1.6-MLX-8bit.

Model details

  • Base model: PaddlePaddle/PaddleOCR-VL-1.6 (0.9B, ERNIE-4.5-based)
  • Precision: 16-bit bfloat16 (MLX mlx_vlm convert, no quantization), ~1.81 GB on disk
  • Architecture: PaddleOCRVLForConditionalGeneration (custom paddleocr_vl model type; trust_remote_code required)
  • Context: up to 131,072 tokens
  • Vision encoder: 14px patches, 784 px per merged token; resolution cap raised to 4,064,256 px (see below)

Resolution budget

This repo ships a higher vision resolution cap than upstream: max_pixels = 4,064,256 (upstream 1.6 ships 1,003,520; min_pixels stays 112,896). This is deliberate small-text OCR tuning — full pages are no longer downscaled below ~5,000 merged vision tokens. Under mlx-vlm 0.7.x the cap is read from preprocessor_config.json at load time; there is no per-request override, so select lower stages client-side by rendering/downscaling the image before sending it.

Caps are naturally expressed as k×k stages of the 28 px/token grid (28 = patch 14 × merge 2):

Stagemax_pixelsToken budgetA4 render scaleNotes
1×1112,8961440.47= min_pixels
2×2451,5845760.94
3×31,016,0641,2961.41≈ upstream 1.6 default
4×41,806,3362,3041.88
5×52,822,4003,6002.35v1.0-era default
6×6 (this repo)4,064,2565,1842.82A4 lands at ~5,100 tokens

Token budget = (12k)² merged tokens; non-square images land slightly under budget (aspect-preserving resize on the factor-28 grid). Measured on the 8-bit sibling on Apple Silicon: full-A4 pages cost ~5× the wall time of the upstream cap (vision attention is global over unmerged patches); sub-cap images are unaffected. To revert to upstream behavior, set max_pixels back to 1003520 in preprocessor_config.json.

Capabilities

  • Full-page OCR in Markdown and JSON formats
  • Layout analysis, table recognition (structure), formula recognition (LaTeX)
  • Chart and seal recognition, text spotting (detection + recognition)

Intended uses

  • On-device document parsing on Apple Silicon (M-series)
  • Highest-fidelity MLX serving of PaddleOCR-VL-1.6 (no quantization delta vs. the bf16 base)
  • Local OCR pipelines where no data may leave the machine
  • Served via mlx_vlm.server or the MLX Python API with trust_remote_code=True

Usage

pip install mlx-vlm
from mlx_vlm import load, generate
from mlx_vlm.prompt_utils import apply_chat_template

model, processor = load("OpenGryd/PaddleOCR-VL-1.6-MLX-16bit", trust_remote_code=True)

messages = apply_chat_template(
    processor,
    model.config,
    prompt="OCR:",
    num_images=1,
)
output = generate(model, processor, messages, image="media/document.png", max_tokens=4096)
print(output)

Note: with mlx-vlm 0.7.x, include the image via apply_chat_template(...) (or use the server below) — a bare prompt string without an image placeholder produces an empty completion. Keep prompts exactly OCR:-shaped: free-form suffixes can flip the model into spotting mode (inline <|LOC_n|> coordinates).

To serve OpenAI-compatible endpoints:

python -m mlx_vlm.server --model OpenGryd/PaddleOCR-VL-1.6-MLX-16bit --port 8090 --trust-remote-code

Limitations

  • ~2× the memory and disk footprint of the 8-bit quant (1.81 GB vs 1.09 GB); use the 8-bit version where footprint matters more than the last bit of fidelity
  • Requires trust_remote_code=True (custom modeling code ships with the repo)
  • No text-only inputs: image required

Evaluation

The base model achieves 96.3% on OmniDocBench v1.6, leading on text, formula, and table recognition. See the base model card for full benchmarks.

License

Apache-2.0 — inherited from the base model.

Citation

@misc{paddleocrvl2025,
  title={PaddleOCR-VL-1.6: Expanding the Frontier of Document Parsing with Under-Optimized Region Refinement and Progressive Post-Training},
  author={PaddlePaddle Team},
  year={2025},
  howpublished={\url{https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6}},
}

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
PaddleOCRVLForConditionalGeneration
Ревизия весов
966b8ea

0 моделей