/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
indic-ocr
Опубликована
11 сен 2026

indic-ocr-mlx-8bit

Описание изображенийИзображение → текст

8-битный MLX-распознаватель IndicBlockOCR для извлечения текста из изображений документов на английском и индийских письменностях, оптимизированный для Apple Silicon.

5скачиваний за 30 дней1лайквеса обновлены11 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

IndicOCR MLX 8-bit — 8-битная версия распознавателя IndicBlockOCR от hari31416, созданная на основе второго этапа bodhan-ai/indic-ocr. Модель использует архитектуру Qwen3.5-0.8B и словарь Sarvam-30B на 151 тысячу токенов. Она принимает изображения документов и распознаёт печатный и рукописный текст на английском и 22 индийских письменностях, а также числа и математические обозначения.

Модель предназначена для OCR отдельных строк и областей документа; её также можно использовать как распознаватель в двухэтапном конвейере с отдельным детектором макета. Экспорт MLX оптимизирован для Apple Silicon и запуска на Metal GPU. В тесте на 50 фрагментах документов автор сообщает CER 1,56%, WER 3,43% и ускорение примерно в 20 раз относительно PyTorch-базовой версии на CPU. Эти результаты относятся к указанному тесту и не гарантируют такую же точность на других данных. Репозиторий указывает лицензию other, но конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • распознавание текста в сканах и фотографиях документов
  • транскрибация рукописных фрагментов на индийских языках
  • извлечение текста из отдельных строк и областей документа
  • OCR чисел и математических обозначений
  • распознавание текста как второй этап конвейера анализа макета документа

Ограничения

Заявленные показатели точности измерены на 50 фрагментах документов и могут не отражать качество на других данных; точное совпадение в тесте составило 74%, несмотря на низкий CER. MLX-распознаватель рассчитан на Apple Silicon, а детектор макета в описанном конвейере запускается отдельно на PyTorch MPS; условия лицензии other в предоставленных данных не конкретизированы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IndicOCR MLX 8-bit (IndicBlockOCR)

This repository provides an optimized 8-bit quantized MLX export of IndicBlockOCR (Stage 2 of bodhan-ai/indic-ocr), delivering near-full-precision accuracy with a 20x latency speedup on Apple Silicon Metal GPUs (M1/M2/M3/M4).

The recognizer architecture is based on Qwen3.5-0.8B with a 151k-token Sarvam-30B vocabulary covering 22 official Indic scripts, English, numbers, and mathematical notation.

Precision Variants

Empirical Parity and Accuracy Benchmarks

Evaluated against the PyTorch reference baseline on 50 real-world Indic document crops from ai4bharat/indicdlp.

Stage 2 Recognition Parity (8-bit vs PyTorch Baseline)

MetricPyTorch Baseline (CPU)IndicOCR MLX 8-bit (Metal GPU)Parity Delta / Speedup
Character Error Rate (CER)Reference (0.0)0.0156 (1.56%)Near-lossless accuracy
Word Error Rate (WER)Reference (0.0)0.0343 (3.43%)Near-lossless readability
Exact Match Rate100.0%74.0%See analysis below
Crops with CER <= 5%100.0%94.0%High fidelity
Crops with CER <= 10%100.0%96.0%Production-ready
Crops with CER <= 20%100.0%98.0%Production-ready
Latency per Crop9,768.58 ms486.25 ms20.09x Speedup
Throughput15.3 chars/sec307.5 chars/sec20.1x Throughput
Memory Footprint~1.7 GB~1.0 GB41.2% Reduction

Stage 1 Layout Detection (PP-DocLayoutV3 on PyTorch MPS)

Stage 1 runs with PyTorch on Apple's MPS backend. The recognizer uses MLX, but the layout detector does not: this project has no MLX PP-DocLayoutV3 runtime, and converting the layout tensors alone does not improve inference.

MetricScoreNote
Mean IoU0.9983Near-perfect bounding box alignment
Label Match Rate100.0%37 document class categories identical
Reading Order Match Rate100.0%Pairwise reading order identical
Detection Latency156.61 ms3.85x Speedup vs PyTorch CPU (603 ms)

Understanding Exact Match vs Character Error Rate

While the Exact Match rate is 74.0%, the mean Character Error Rate is only 1.56% and 94.0% of crops have less than 5% CER. Exact Match is an all-or-nothing metric: on long paragraph crops (e.g. 600+ characters), a single whitespace difference or character substitution drops the entire crop score to 0.

Autoregressive vision-language decoding on Apple Silicon Metal GPU uses different matrix multiplication tiling, reduction order, and floating-point accumulation compared to NVIDIA CUDA kernels, causing tiny logit variations (~1e-4) that can flip argmax selections at near-tie probability boundaries.

Quickstart

1. Installation

pip install -r requirements.txt

2. Interactive Gradio Web Studio

Launch the visual interface with interactive bounding box hover tooltips, reading-ordered Markdown preview, and JSON inspection:

python app.py

Then open http://127.0.0.1:7860 in your browser.

3. End-to-End Python Pipeline

Run the full two-stage document pipeline (Stage 1 Layout Detection + Stage 2 Text Transcription):

from pipeline import IndicOCRPipeline

# Initialize end-to-end pipeline (auto-loads Stage 1 and Stage 2 on Apple Silicon)
ocr = IndicOCRPipeline()

# Process full document page
result = ocr.process("path/to/document.png")

# Reading-ordered Markdown
print(result.markdown)

# Access individual detected blocks
for block in result.blocks:
    print(f"#{block.order} [{block.label}] {block.bbox_xyxy}: {block.text}")

4. Single Crop CLI Transcription

Quickly transcribe a specific cropped text line or region:

python transcribe.py --image path/to/crop.png

5. Direct mlx_vlm Usage

Load the recognizer directly using standard MLX VLM:

from mlx_vlm import generate, load
from PIL import Image

model, processor = load("hari31416/indic-ocr-mlx-8bit")
prompt = processor.apply_chat_template(
    [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                {"type": "text", "text": "Transcribe the text in this image."},
            ],
        }
    ],
    add_generation_prompt=True,
    tokenize=False,
)

image = Image.open("crop.png").convert("RGB")
output = generate(model, processor, prompt=prompt, image=[image], max_tokens=256)
print(output.text.strip())

Repository Structure

├── README.md                      # Model card and parity benchmarks
├── app.py                         # Interactive Gradio web application
├── pipeline.py                    # Importable end-to-end Python pipeline
├── transcribe.py                  # Single-crop CLI transcription script
├── config.json                    # Recognizer model configuration
├── generation_config.json         # Generation hyperparameter defaults
├── model.safetensors              # 8-bit recognizer weights (~1.0 GB)
├── model.safetensors.index.json   # Weight index mapping
├── processor_config.json          # Vision & image processor configuration
├── tokenizer.json                 # Sarvam-30B tokenizer
├── tokenizer_config.json
├── chat_template.jinja            # Multimodal chat template
├── requirements.txt               # Minimal dependencies
├── .gitattributes                 # Git LFS tracking configuration
└── layout/                        # Legacy experimental tensor export, not used at runtime
    ├── config.json
    └── model.safetensors          # PP-DocLayoutV3 tensors; requires an MLX model implementation

License and Citations

This model is distributed under the Indic Open Model License v1.0. See the Indic Open Model License and the Plain-Language License Deed for complete terms.

If using this export, please cite the original Bodhan AI project:

@misc{bodhan2026indicocr,
  author = {Bodhan AI},
  title = {IndicOCR: High-Performance Document OCR for Indic Languages},
  year = {2026},
  url = {https://huggingface.co/bodhan-ai/indic-ocr}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
93af357

0 моделей