Ejecuta Mirage localmente: OCR y detección de objetos a partir de una sola imagen

Mirage, de Cactus Compute, puede analizar una imagen local y devolver texto, ubicaciones de objetos y campos estructurados. El modelo de dos bits del desarrollador, de unos 22 MB, es lo bastante pequeño como para probarlo sin descargar un punto de control de visión de varios gigabytes. Empieza con la etiqueta de un dispositivo o una captura de pantalla nítida y compara los campos devueltos con la imagen original antes de automatizar un flujo de trabajo.

El anuncio oficial describe un modelo de visión de 51,3 millones de parámetros, una demostración local en el navegador y un entorno de ejecución instalable. Indica un tiempo de 74 ms en una configuración NPU del Samsung Galaxy S26 y de 107 ms en la CPU de ese teléfono. Esos tiempos corresponden a esa configuración. Comprueba el rendimiento y la precisión con tu propio dispositivo y tus propias entradas.

¿Qué tareas son adecuadas para este modelo?

Mirage puede describir escenas, detectar objetos, leer texto, devolver máscaras y responder preguntas concretas. Para una tarea de inventario, podrías pedirle que identifique una etiqueta, extraiga la región de texto y devuelva un conjunto limitado de campos. En el caso de las fotos, podrías usar la ubicación de los objetos como pistas para que una persona las revise. Una respuesta estructurada es útil cuando conserva un vínculo con la evidencia de la imagen.

El desarrollador enumera siete idiomas para las descripciones de imágenes. No des por sentado que esa lista implica compatibilidad con todos los sistemas de escritura para OCR. El lector de texto puede pasar por alto un acento, confundir cifras similares u omitir una zona pequeña. La propia Cactus muestra un resultado de OCR imperfecto en la demostración de lanzamiento. La ficha del modelo enlaza los requisitos del entorno de ejecución y ejemplos de entrada.

¿Cómo se ejecuta el primer ejemplo local?

Prueba el entorno de pruebas en el navegador enlazado por Cactus con una imagen de prueba que no contenga información confidencial. Después, usa el paquete de Python en una plataforma compatible con el entorno de ejecución de Cactus. Usa un entorno nuevo y una imagen que tengas bajo tu control.

python -m venv .venv
source .venv/bin/activate
python -m pip install -U cactus-compute

El ejemplo publicado del paquete es:

import cactus

model = cactus.Mirage()
print(model.describe("photo.png"))

La primera vez, el paquete puede descargar y almacenar en caché el motor y el modelo. Mide ese proceso de configuración por separado de la inferencia. Para confirmar que después podrás trabajar sin conexión, completa la instalación inicial y luego haz una prueba con un archivo local y la red desactivada en un entorno aislado. Comprueba la versión del entorno de ejecución y el comportamiento de la caché en lugar de deducirlos del nombre del paquete.

¿Cómo deberías crear una pequeña prueba de precisión?

Toma tres imágenes de la misma etiqueta: una con iluminación uniforme y de frente, otra girada o con reflejos y una tercera con otra etiqueta cerca. Conserva una transcripción de referencia. Compara los caracteres exactos y las asociaciones entre campos, no solo si el resultado contiene una cadena verosímil. En la detección de objetos, inspecciona los cuadros delimitadores. Una etiqueta correcta asociada al objeto equivocado puede estropear un registro de inventario posterior.

Prueba con una imagen en blanco, una imagen sin el campo pertinente y un recorte ilegible. Un flujo de extracción útil necesita un estado explícito de desconocido o vacío. Si el paso siguiente modifica un registro de inventario, trata cualquier campo ausente o incierto como una entrada para revisar, en lugar de adivinar.

¿Cuánta memoria y latencia deberías esperar?

Los 22 MB anunciados se refieren a la representación de dos bits del modelo. La memoria en tiempo de ejecución incluye el motor de inferencia, la entrada decodificada, los tensores intermedios y la sobrecarga de la aplicación. Las dimensiones de la imagen pueden afectar al preprocesamiento y a la presión sobre la memoria, aunque el archivo del modelo siga teniendo el mismo tamaño. Al decidir qué puede ejecutarse junto con tus otros servicios, registra el pico de memoria del proceso además del tamaño del modelo.

Mide el arranque en frío, la inferencia en caliente y la latencia de extremo a extremo, incluido el decodificado de imágenes y el posprocesamiento. Un benchmark de la NPU de un teléfono no puede responder cuánto tardará una NAS o una CPU x86 de bajo consumo. Confirma la compatibilidad con tu sistema operativo y dispositivo en el listado de entornos de ejecución y luego mide con las mismas imágenes y el mismo código que planeas publicar.

¿Cómo se mantienen útiles los resultados y privados los datos de entrada?

Separa el reconocimiento de las acciones. Guarda los campos junto con una referencia al recorte de origen y un estado de validación. Cuando sea posible, aplica comprobaciones deterministas: longitud esperada del número de serie, caracteres permitidos, análisis de fecha o rango de cantidades. Muestra el recorte junto al campo propuesto cuando alguien deba corregirlo. Así se conserva una vía para volver a las pruebas reales.

Un punto de acceso local al modelo puede reducir la necesidad de transferir las imágenes originales, pero aun así conviene revisar el código del navegador, la telemetría, el comportamiento de la caché y otros componentes. Un modelo con capacidad de razonamiento visual puede interpretar como contenido el texto de la imagen. No permitas que ese texto se convierta en una instrucción para el intérprete de comandos o una operación con archivos. Consulta la guía para mantener los datos de origen fuera de las solicitudes a la IA.

¿Qué papel desempeña un servidor doméstico?

Guarda los archivos originales en una biblioteca con acceso limitado y envía al proceso de inferencia solo la imagen necesaria para cada tarea. Coloca los resultados en una carpeta o base de datos aparte para revisarlos. En un servidor compartido, empieza con un lote pequeño y comprueba si las tareas de reconocimiento interfieren con las copias de seguridad, la indexación de archivos o las actividades de otros usuarios. La comparación entre computación y almacenamiento de archivos privados y la guía sobre el aislamiento de copias de seguridad explican qué funciones pueden desempeñar esos servicios.

Preguntas frecuentes

¿La primera ejecución funciona completamente sin conexión?

El paquete puede descargar el motor y los pesos la primera vez que se usa. Tras instalar y almacenar en caché los archivos necesarios, verifica que funcione sin conexión.

¿22 MB es el uso de memoria?

Describe el modelo comprimido anunciado, mientras que la memoria total del proceso incluye el entorno de ejecución y los búferes de imagen.

¿Mirage puede leer todos los recibos y las etiquetas?

Prueba los idiomas, la iluminación, las fuentes y los diseños que encuentras en la práctica. El texto pequeño o reflectante puede generar resultados incorrectos o incompletos.

¿Puedo omitir la revisión manual?

Solicita una revisión de los resultados que modifiquen registros o activen acciones, especialmente cuando haya campos inciertos o que no se puedan validar.

¿Puedo usar la evaluación del teléfono para elegir un servidor doméstico?

Úsalo como ejemplo para el teléfono probado. Evalúa el hardware y el entorno de ejecución previstos con tus propias imágenes.

Conclusión

Mirage facilita empezar con un pequeño experimento local de OCR y comprensión de imágenes. Instala el entorno de ejecución compatible, prueba los campos exactos con un puñado de imágenes difíciles y conserva una vía de revisión. Amplía a lotes más grandes solo cuando las mediciones y la gestión de errores sean suficientes para la tarea.