Давно подписан на группу Mighty Box, автор которой придумывает и выпускает органайзеры для настолок. Изначально я просто следил за процессом, но недавно заказал два орга: для «Ведьмака» (ещё не собрал) и для «Подводных городов» (на фото).
Органайзер в коробку с настольной игрой нужен по двум причинам:
1. Хороший орг позволяет вместить в одну коробку компоненты, например, из базовой игры и дополнения, и сильно экономить место на полке
2. Раскладывать такую игру гораздо проще, потому что достаточно вытащить части органайзера с нужными карточками и ресурсами, положить поле, и вы готовы
Второй пункт особенно важен для меня, поскольку тот же «Ведьмак» чудовищно долго сетапится: около десяти колод, элементы из нескольких дополнений, жетоны, деньги, кубики... Уже расхочешь играть, пока это всё разворачиваешь.
Ну ладно, орг для «Ведьмака» ждёт пары свободных выходных, а вот «Города» я склеил. Автор очень внимательно подходит к процессу проектирования: собственно, я изначально подписался на его группу, потому что мне нравилось наблюдать за инженерной составляющей. Проектируется всё на листовом ХДФ и акриле под лазерную резку. Помимо геометрической составляющей много внимания уделено UX: чтобы всё удобно было вытаскивать и складывать. Собирается на клей ПВА без особых проблем, укладывается чётко.
Органайзер для «Городов» предусматривает место под фигурки подводных лодок вместо картонных токенов, так что я не удержался и сразу напечатал на фотополимернике лодки и здания (модельки нашёл в сети). Надо будет ещё их покрасить, чтобы проще отличать.
В целом очень доволен. Сразу скажу: органайзеры не дешёвые, но для игр, которые точно останутся в коллекции годами, это, на мой взгляд, уместная покупка.
#games#окр
Image to Text OCR is a utility website made by Alejandro Akbal for extracting text from any image using #OCR.
This tool was made for those moments where you take a photo of some text and wish you could have it digitally.
https://github.com/AlejandroAkbal/Image-to-Text-OCR
Online: https://image-to-text-ocr.netlify.app/
🦉 LightOnOCR-1B: новая быстрая OCR-модель от LightOn
Модель дистиллирована из Qwen2-VL-72B-Instruct и обучена на корпусе из 17.6 млн страниц / 45.5 млрд токенов.
🔥 Главное:**
-1 B параметров
- позволяет обрабатывать 5.7 страниц/с на одном H100 (это примерно ≈ 493 000 страниц за день)
- Распознаёт таблицы, формы, уравнения и сложные макеты
- 6.5× быстрее dots.ocr, 1.7× быстрее DeepSeekOCR
- Расходы < $0.01 за 1000 страниц A4
📊 Качество (Olmo-Bench):
- Превосходит DeepSeekOCR
- Сопоставима с dots.ocr (при этом модель в 3 раза меньше по весу)
- +16 пт к Qwen3-VL-2B-Instruct
Эта моделька - отличный баланс качества, скорости и стоимости.
🟢Модель 1B: https://huggingface.co/lightonai/LightOnOCR-1B-1025
🟢Модель 0.9B (32k): https://huggingface.co/lightonai/LightOnOCR-0.9B-32k-1025)
🟢Блог LightOn:https://huggingface.co/blog/lightonai/lightonocr
🟢Демка: https://huggingface.co/spaces/lightonai/LightOnOCR-1B-Demo
@ai_machinelearning_big_data
#ocr#ml
📄 DeepSeek-OCR - модель для распознавания текста 🔍
DeepSeek выпустили мощную OCR-модель, способную преобразовывать изображения документов прямо в Markdown или текст.
Что умеет:
- Распознаёт текст на изображениях и в PDF
- Работает с документами, таблицами и сложными макетами
- Поддерживает разные режимы: Tiny, Small, Base, Large
- Оптимизирована под GPU (PyTorch + CUDA 11.8)
- MIT-лицензия — можно свободно использовать и модифицировать
DeepSeek-OCR достигает высокой точности и эффективности за счёт компрессии визуальных токенов. На Omnidocbench - лучшая точность при минимуме визуальных токенов, превосходит другие OCR-модели по эффективности и скорости.
🟠HF: https://huggingface.co/deepseek-ai/DeepSeek-OCR
🟠Github: https://github.com/deepseek-ai/DeepSeek-OCR
🟠Paper: https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
@ai_machinelearning_big_data
#ocr#DeepSeek