MiniCPM-OCR 1.0: OpenBMB veröffentlicht kleines OCR-Modell unter Apache 2.0, begleitet von einem zweiten Modell, das die Zuverlässigkeit des Ergebnisses bewertet

OpenBMB, das Open-Source-Kollektiv hinter der MiniCPM-Modellfamilie, hat am Dienstag, den 27. Oktober, die MiniCPM-OCR-Suite veröffentlicht, angekündigt auf X um 17:52 Uhr, Pariser Zeit. Sie vereint zwei Modelle mit herunterladbaren Gewichten unter Apache-2.0-Lizenz: MiniCPM-OCR 1.0, das Dokumente liest und strukturiert, und MiniCPM-OCR Jev, das die Arbeit des ersten überprüft.

Die Idee ist einfach formuliert: Eine OCR-Engine (optische Zeichenerkennung), die eine Seite „abschließt“, sagt nicht, ob sie sich geirrt hat. OpenBMB bietet daher einen schnellen Leser und einen Kontrolleur, der zweifelhafte Abschnitte markieren kann.

Ein Dokumentenleser mit 1,3 Milliarden Parametern

Laut seiner Hugging-Face-Karte verfügt MiniCPM-OCR 1.0 über 1,3 Milliarden Parameter. Es ist das erste OCR-Modell der MiniCPM-V-Familie: Es ist aus MiniCPM-V 4.6 trainiert, das einen SigLIP-Visuellencoder und ein Qwen3.5-Sprachmodell kombiniert. Es erkennt Text, Tabellen, Formeln, Diagramme und Stempel und kann präzise Felder extrahieren (zum Beispiel den Namen eines Geschäfts und den Betrag eines Kassenzettels) als JSON.

Das Modell liest eine Seite nicht in einem einzigen Block. Das Entwicklungstoolkit zerlegt das Dokument zunächst mit einem Layout-Modell (PP-DocLayoutV3), schickt jeden Bereich an das Modell und setzt alles in Markdown in Lesereihenfolge wieder zusammen, mit Tabellen in HTML und Formeln in LaTeX. Die vorrangigen Sprachen sind Chinesisch und Englisch; die Dokumentation zeigt jedoch ein Beispiel für das Feintuning auf handschriftlichen französischen Zeilen.

Ein zweites Modell, das jeden Abschnitt bewertet

MiniCPM-OCR Jev (2 Milliarden Parameter, abgeleitet von Qwen3.5-2B) liest keine Dokumente: Es erhält das Bild eines Bereichs und den Text, den eine OCR-Engine daraus gezogen hat, und gibt einen Score von 0 bis 1 zurück, umso höher, je wahrscheinlicher das Ergebnis korrekt ist. OpenBMB hat den Ausgabekopf des Sprachmodells durch einen binären Klassifikationskopf ersetzt.

Drei Anwendungsfälle werden beschrieben: Bereiche über einem Schwellenwert automatisch akzeptieren, die anderen zur menschlichen Nachprüfung weiterleiten oder denselben Bereich von mehreren OCR-Engines lesen lassen und das beste Ergebnis behalten. Jev hängt nicht von MiniCPM-OCR ab: Der Anbieter hat es an den Ausgaben von GLM-OCR, PaddleOCR-VL-1.6 und Xiaomi-OCR-0 getestet. Der Schwellenwert muss selbst festgelegt werden, auf den eigenen Dokumenten, wie die Karte präzisiert.

Zu überprüfende Zahlen

Alle veröffentlichten Ergebnisse stammen von OpenBMB. MiniCPM-OCR 1.0 soll 93,68 auf Real5-OmniDocBench erreichen, einem Test mit realen Dokumenten (gescannte, gekrümmte, fotografierte oder schräge Seiten), und 54,7 auf OCRBench v2. Bei der Geschwindigkeit kündigt der Anbieter 1,2 Seiten pro Sekunde auf einer NVIDIA-GeForce-RTX-5090-Karte an, also 1,49-mal so viel wie PaddleOCR-VL-1.6 und 3,62-mal so viel wie MinerU2.5 Pro, und bis zu 128 Seiten pro Minute durch Parallelisierung der Verarbeitung.

Für Jev soll die Fläche unter der ROC-Kurve (AUROC, ×100), die die Fähigkeit misst, gute und schlechte Ergebnisse zu trennen, 93,6 auf JevOCRBench erreichen, über JEV-35B-A3B (90,1) und nahe bei Qwen3.5-397B-A17B (93,8), einem deutlich größeren Modell. Aber dieser Benchmark stammt vom Anbieter, und der Test an vier OCR-Engines umfasst nur 200 Stichproben.

Bereit zum Einsatz

Beide Modelle funktionieren ab Veröffentlichung mit vLLM, SGLang, llama.cpp und Ollama, existieren in quantisierten Versionen (GGUF, AWQ, GPTQ) und können feinabgestimmt werden. OpenBMB nennt eine Unterstützung am ersten Tag bei Arm, Houmo AI, Intel und NVIDIA sowie weiteren Chip-Herstellern über FlagOS. Eine Online-Demo und eine API sind ebenfalls auf der ModelBest-Plattform zugänglich, auf die die Ankündigung verweist.