The merged BF16 release of the Persian OCR LoRA checkpoint at step 8,000 from Reza2kn/surya-ocr-2-persian-lora-7m, based on datalab-to/surya-ocr-2.

This repository is the immutable BF16 transcription baseline for Bina 0.1 Koochik. Quantized/runtime-specific derivatives should be compared against this model before being described as parity-preserving.

Quick start (English)

Bina 0.1 Koochik is compatible with the Surya OCR 2 inference package. The easiest supported setup is Linux (or WSL2) with an NVIDIA GPU.

1. Install the prerequisites

Python 3.10 or newer
Docker
NVIDIA Container Toolkit

Then install or upgrade Surya:

python -m pip install -U "surya-ocr>=0.20.0"

2. Run OCR

Replace document.pdf with an image, a PDF, or a folder containing images/PDFs:

bash

export SURYA_MODEL_CHECKPOINT=Reza2kn/Bina-0.1-Koochik
export SURYA_INFERENCE_BACKEND=vllm

surya_ocr ./document.pdf --output_dir ./bina-output

On the first run, Surya downloads the model and starts a vLLM server in Docker, so startup can take a few minutes. For the example above, the OCR result is written to ./bina-output/document/results.json. Each page contains ordered blocks with recognized HTML/text, labels, confidence scores, and bounding boxes.

Useful options:

bash

# Process only pages 0 through 2
surya_ocr ./document.pdf --page_range 0-2 --output_dir ./bina-output

# Also save annotated page images
surya_ocr ./document.pdf --images --output_dir ./bina-output

Python example

Set the environment variables before importing surya:

python

import os

os.environ["SURYA_MODEL_CHECKPOINT"] = "Reza2kn/Bina-0.1-Koochik"
os.environ["SURYA_INFERENCE_BACKEND"] = "vllm"

from PIL import Image
from surya.inference import SuryaInferenceManager
from surya.recognition import RecognitionPredictor

image = Image.open("page.jpg").convert("RGB")
manager = SuryaInferenceManager()
predictor = RecognitionPredictor(manager)
result = predictor([image])[0]

for block in result.blocks:
    print(block.html)

CPU and Apple Silicon: this repository contains BF16 weights, not a GGUF build. The automatic llama.cpp path therefore cannot run Bina 0.1 Koochik directly; use the NVIDIA/vLLM setup above or a Bina-specific GGUF conversion.

راه‌اندازی سریع (فارسی)

بینا ۰.۱ کوچک با بستهٔ استنتاج Surya OCR 2 سازگار است. ساده‌ترین روش پشتیبانی‌شده، استفاده از لینوکس (یا WSL2) و کارت گرافیک NVIDIA است.

۱. نصب پیش‌نیازها

پایتون ۳.۱۰ یا جدیدتر
Docker
NVIDIA Container Toolkit

سپس Surya را نصب یا به‌روز کنید:

python -m pip install -U "surya-ocr>=0.20.0"

۲. اجرای OCR

به‌جای document.pdf می‌توانید مسیر یک تصویر، فایل PDF یا پوشه‌ای از تصاویر/PDFها را قرار دهید:

bash

export SURYA_MODEL_CHECKPOINT=Reza2kn/Bina-0.1-Koochik
export SURYA_INFERENCE_BACKEND=vllm

surya_ocr ./document.pdf --output_dir ./bina-output

در اجرای اول، Surya مدل را دانلود و سرور vLLM را در Docker راه‌اندازی می‌کند؛ بنابراین شروع کار ممکن است چند دقیقه طول بکشد. در مثال بالا، نتیجه در مسیر ./bina-output/document/results.json ذخیره می‌شود. خروجی هر صفحه شامل بلوک‌های مرتب‌شده، متن/HTML تشخیص‌داده‌شده، نوع بلوک، میزان اطمینان و مختصات کادرها است.

چند گزینهٔ کاربردی:

bash

# فقط پردازش صفحه‌های ۰ تا ۲
surya_ocr ./document.pdf --page_range 0-2 --output_dir ./bina-output

# ذخیرهٔ تصویر صفحه‌ها همراه با کادرهای تشخیص‌داده‌شده
surya_ocr ./document.pdf --images --output_dir ./bina-output

نمونهٔ پایتون

متغیرهای محیطی را پیش از import کردن surya تنظیم کنید:

python

import os

os.environ["SURYA_MODEL_CHECKPOINT"] = "Reza2kn/Bina-0.1-Koochik"
os.environ["SURYA_INFERENCE_BACKEND"] = "vllm"

from PIL import Image
from surya.inference import SuryaInferenceManager
from surya.recognition import RecognitionPredictor

image = Image.open("page.jpg").convert("RGB")
manager = SuryaInferenceManager()
predictor = RecognitionPredictor(manager)
result = predictor([image])[0]

for block in result.blocks:
    print(block.html)

CPU و Apple Silicon: این مخزن شامل وزن‌های BF16 است و فایل GGUF ندارد؛ بنابراین مسیر خودکار llama.cpp نمی‌تواند بینا ۰.۱ کوچک را مستقیماً اجرا کند. از روش NVIDIA/vLLM بالا یا یک تبدیل GGUF مخصوص بینا استفاده کنید.

Provenance

LoRA checkpoint: checkpoints/checkpoint-step-0008000
Merged artifact path on the release host: /home/rezo/triple-threat/hf-cache/surya-step8000-merged
Architecture: Qwen3_5ForConditionalGeneration
Weight dtype: BF16
model.safetensors SHA-256: 2193be4ef3d2366438121a15b7a1dea2bb85b24f83145e5a39bfa1f387891ada
config.json SHA-256: e0de22be177070f206106c184d062176fcda591d9114068c42489ffc550488de

Intended use

Persian document OCR. The model is currently served as بینا ۰.۱ کوچک on PersianVLM.com. Use deterministic decoding for baseline comparisons.

License

This release follows the upstream Surya OCR 2 OpenRAIL license. Review the upstream license before redistribution or deployment.