tokimoa/ovisocr2-mlx-4bit

OvisOCR2 (MLX 4bit, verified)

OvisOCR2（0.9Bのend-to-endドキュメントパースモデル。OmniDocBench v1.6首位）を公式bf16重みからMLX 4bit（group size 64、実効5.86bpw）に量子化したものです。日本語ビジネス文書での検証済みで公開しています。

ページ画像を入力すると、読み順どおりのMarkdown（表はHTML、数式はLaTeX）を出力します。

変換品質の検証（tokimoa）

日本語ビジネス文書5種（議事録・請求書・契約条項・チェックシート・英日混在）で検証:

• transformers版（fp32・greedy）と3/5画像で出力完全一致。差分は2画像×各1文字で、いずれも小書き文字の通常かな化（セキ「ュ」リティ→セキ「ユ」リティ、テ「ィ」ング→テ「イ」ング）
• この劣化は決定論的（同一入力では毎回同じ箇所が同じように化ける）。日本語OCRで小書き文字の忠実度が重要な場合は 8bit版 を推奨
• 同一入力の反復で出力完全一致(決定論的)
• 実効速度: 5枚合計 約7.4秒（M4 Max、モデルロード込み）

使い方

# pip install mlx-vlm
from mlx_vlm import load, generate

model, processor = load("tokimoa/ovisocr2-mlx-4bit")
prompt = "Extract all readable content from the image in natural human reading order and output the result as a single Markdown document. For charts or images, represent them using an HTML image tag: <img src=\"images/bbox_{left}_{top}_{right}_{bottom}.jpg\" />, where left, top, right, bottom are bounding box coordinates scaled to [0, 1000). Format formulas as LaTeX. Format tables as HTML: <table>...</table>. Transcribe all other text as standard Markdown. Preserve the original text without translation or paraphrasing."
messages = [{"role":"user","content":[{"type":"image"},{"type":"text","text":prompt}]}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)
out = generate(model, processor, text, image=["page.png"], max_tokens=4096, temperature=0.0, verbose=False)
print(out.text)

変換情報

• 変換元: ATH-MaaS/OvisOCR2（bf16、Qwen3.5系 linear+full attentionハイブリッド）
• 変換: mlx-vlm 0.6.7 convert -q --q-bits 4（実効5.86bpw、622MB）
• 変換者: tokimoa

補足: transformersで元モデルを動かす場合の注意

元リポジトリには generation_config.json が同梱されておらず、config.json の eos_token_id は <|endoftext|> (248044) を指しています。実際のターン終端は <|im_end|> (248046) のため、transformersの generate() にそのまま渡すと停止せず文書を繰り返し生成します。eos_token_id=248046 を明示してください（mlx-vlm・vLLMはtokenizer側のEOSを使うため影響なし）。

ライセンス

Apache-2.0（元モデルに準拠）