模型与提供商¶
Koharu 同时使用视觉模型和语言模型。视觉栈负责准备页面，语言栈负责翻译文本。
如果你想从架构层面理解这些部分如何组合，请在阅读本页后继续看 技术深潜。
视觉模型¶
Koharu 会在首次使用时自动下载所需的视觉模型。
当前默认栈包括：
- 用于同时检测文本块和气泡的 comic-text-bubble-detector
- 用于生成文本分割掩码的 comic-text-detector
- 用于 OCR 文本识别的 PaddleOCR-VL-1.5
- 作为默认修复器的 aot-inpainting
- 用于字体与颜色检测的 YuzuMarker.FontDetection
有些模型直接使用上游 Hugging Face 仓库，另一些则因为 Koharu 需要 Rust 友好的 safetensors 版本，而由 Hugging Face 托管转换后的权重。
每个视觉模型是什么¶
| 模型 | 模型类型 | Koharu 使用它的原因 |
|---|---|---|
comic-text-bubble-detector |
object detector | 一次推理同时找出文本块和气泡区域 |
comic-text-detector |
分割网络 | 生成清理用的文本掩码 |
PaddleOCR-VL-1.5 |
视觉语言模型 | 把裁剪图像读成文本 token |
aot-inpainting |
修复网络 | 在去字后补全被掩码覆盖的区域 |
YuzuMarker.FontDetection |
分类 / 回归模型 | 为渲染估计字体与风格提示 |
最重要的设计点是：Koharu 不会用一个模型硬扛所有页面任务。检测、分割、OCR 和修复需要完全不同的输出形式：
- 联合检测需要文本块和气泡区域
- 分割需要逐像素掩码
- OCR 需要文本
- 修复需要恢复后的像素
内置可选替代引擎¶
你可以在 Settings > Engines 中按阶段替换模型。内置替代项包括：
- 作为替代检测 / 版面分析引擎的 PP-DocLayoutV3
- 作为专用气泡检测器的 speech-bubble-segmentation
- 作为替代 OCR 的 Manga OCR 和 MIT 48px OCR
- 作为可选 FLUX.2 修复器的 FLUX.2 Klein 4B
- 作为替代修复器的 lama-manga
本地 LLM¶
Koharu 通过 llama.cpp 支持本地 GGUF 模型。这些模型运行在你的机器上，并在你从 LLM 选择器里选择它们时按需下载。
在实践中，这些本地模型通常是量化后的 decoder-only transformer。GGUF 是文件格式，llama.cpp 是推理运行时。
面向英文输出的翻译型内置本地模型¶
- vntl-llama3-8b-v2：Q5_K_M GGUF，更适合追求翻译质量
- lfm2.5-1.2b-instruct：更小的多语言 instruction 模型，适合低内存机器或更快的迭代
- sugoi-14b-ultra 和 sugoi-32b-ultra：更大的翻译取向模型，适合有更多 VRAM / RAM 的环境
面向中文输出的翻译型内置本地模型¶
- sakura-galtransl-7b-v3.7：在 8 GB 级别显卡上兼顾质量与速度
- sakura-1.5b-qwen2.5-v1.0：更轻、更快，适合中端显卡或偏 CPU 的环境
面向更广泛语言覆盖的翻译型内置本地模型¶
- hunyuan-mt-7b：一款多语言模型，对硬件要求适中
其他内置本地模型家族¶
本地模型选择器里还包含一些并非专门为翻译调校的通用家族：
- Gemma 4 instruct：
gemma4-e2b-it、gemma4-e4b-it、gemma4-26b-a4b-it、gemma4-31b-it - Gemma 4 uncensored：
gemma4-e2b-uncensored、gemma4-e4b-uncensored - Qwen 3.5：
qwen3.5-0.8b、qwen3.5-2b、qwen3.5-4b、qwen3.5-9b、qwen3.5-27b、qwen3.5-35b-a3b - Qwen 3.5 uncensored：
qwen3.5-2b-uncensored、qwen3.5-4b-uncensored、qwen3.5-9b-uncensored、qwen3.5-27b-uncensored、qwen3.5-35b-a3b-uncensored - Qwen 3.6：
qwen3.6-27b、qwen3.6-35b-a3b - Qwen 3.6 uncensored：
qwen3.6-27b-uncensored、qwen3.6-35b-a3b-uncensored
远程提供商¶
Koharu 也可以通过远程或自托管 API 翻译，而不下载本地模型。
支持的提供商家族包括：
- LLM 驱动：
OpenAI、Gemini、Claude、DeepSeek，以及任何暴露/v1/models与/v1/chat/completions的OpenAI 兼容端点（LM Studio、OpenRouter、vLLM 等） - 机器翻译：
DeepL、Google Cloud Translation、Caiyun
机器翻译提供商是纯翻译服务，而不是聊天模型。它们接受源文本和目标语言并返回译文，没有 system prompt，也没有模型选择器。
当前内置远程 LLM 模型¶
LLM 驱动提供商的内置目录包括：
- OpenAI：GPT-5.5、GPT-5.4、GPT-5.x、GPT-4.1、o 系列、GPT-4o，以及旧版 GPT chat 模型
- Gemini：Gemini 3.1、Gemini 3、Gemini 2.5、Gemini 2.0 文本输出模型，以及通过 Gemini API 托管的 Gemma 4
- Claude：当前可用的 Claude Opus、Sonnet、Haiku 4.x 模型，以及在上游退役日期前仍可用的已弃用 Claude 4 快照
- DeepSeek：DeepSeek V4 Flash、DeepSeek V4 Pro，以及
deepseek-chat/deepseek-reasoner兼容别名 - OpenAI 兼容 API：模型列表会从你配置的端点动态发现
机器翻译提供商¶
| 提供商 | 需要的内容 | 备注 |
|---|---|---|
DeepL |
DeepL API key | 可选自定义 base URL，用于切换 DeepL Pro 和 Free 端点 |
Google Cloud Translation |
Google Cloud API key | 使用 v2 REST 端点 |
Caiyun |
Caiyun token | 目标语言覆盖范围有限 |
远程提供商在 Settings > API Keys 中配置。
如果你需要 LM Studio、OpenRouter 或类似端点的逐步配置说明，请参见 使用 OpenAI 兼容 API。
Codex 图像生成¶
Koharu 也可以使用 Codex 进行端到端 image-to-image 生成。它不会把文本块翻译和本地文字渲染作为独立步骤处理，而是把源页面图像和提示词发送给 Codex，并接收生成后的页面图像。
这是远程图像生成流程，不是本地模型。它需要拥有 Codex 访问权限的 ChatGPT 账号，并且必须启用双重身份验证才能完成设备码登录。使用说明和注意事项见 使用 Codex 图像生成。
如何在本地与远程之间选择¶
以下情况更适合本地模型：
- 你更在意隐私
- 下载完成后希望离线运行
- 你想精细控制本机硬件使用
以下情况更适合远程提供商：
- 你不想下载体积很大的本地模型
- 你想减少本地 VRAM 或 RAM 占用
- 你已经有托管或自管的模型服务
Note
使用远程提供商时，Koharu 会把 OCR 提取出的待翻译文本发送到你配置的服务端。
延伸阅读¶
如果你想了解这些模型分类背后的理论和图示，请参见：