MiniCPM-OCR 1.0: OpenBMB publica un pequeño modelo de OCR bajo Apache 2.0, acompañado de un segundo modelo que puntúa la fiabilidad del resultado

OpenBMB, el colectivo open source detrás de la familia de modelos MiniCPM, publicó el martes 27 de octubre el conjunto MiniCPM-OCR, anunciado en X a las 17:52, hora de París. Reúne dos modelos con pesos descargables bajo licencia Apache 2.0: MiniCPM-OCR 1.0, que lee y estructura documentos, y MiniCPM-OCR Jev, que verifica el trabajo del primero.

La idea es sencilla de formular: un motor de OCR (reconocimiento de caracteres) que «termina» una página no dice si se ha equivocado. OpenBMB propone, por tanto, un lector rápido y un controlador capaz de señalar los pasajes dudosos.

Un lector de documentos de 1,3 mil millones de parámetros

Según su ficha de Hugging Face, MiniCPM-OCR 1.0 cuenta con 1,3 mil millones de parámetros. Es el primer modelo dedicado al OCR de la familia MiniCPM-V: está entrenado a partir de MiniCPM-V 4.6, que asocia un codificador visual SigLIP y un modelo de lenguaje Qwen3.5. Reconoce texto, tablas, fórmulas, gráficos y sellos, y sabe extraer campos precisos (el nombre de una tienda y el importe de un ticket, por ejemplo) en forma de JSON.

El modelo no lee una página de un solo bloque. El kit de desarrollo corta primero el documento con un modelo de maquetación (PP-DocLayoutV3), envía cada zona al modelo y luego recompone el conjunto en Markdown en el orden de lectura, con las tablas en HTML y las fórmulas en LaTeX. Los idiomas objetivo prioritarios son el chino y el inglés; la documentación muestra, no obstante, un ejemplo de ajuste fino sobre líneas de escritura manuscrita en francés.

Un segundo modelo que puntúa cada pasaje

MiniCPM-OCR Jev (2 mil millones de parámetros, derivado de Qwen3.5-2B) no lee documentos: recibe la imagen de una zona y el texto que un motor de OCR ha extraído de ella, y devuelve una puntuación de 0 a 1, tanto más alta cuanto más probable es que el resultado sea correcto. OpenBMB ha sustituido la cabeza de salida del modelo de lenguaje por una cabeza de clasificación binaria.

Se describen tres usos: aceptar automáticamente las zonas por encima de un umbral, enviar las demás a una relectura humana, o hacer leer la misma zona por varios motores de OCR y conservar el mejor resultado. Jev no depende de MiniCPM-OCR: el desarrollador lo ha probado en las salidas de GLM-OCR, PaddleOCR-VL-1.6 y Xiaomi-OCR-0. El umbral queda por fijar uno mismo, sobre sus propios documentos, como precisa la ficha.

Cifras por verificar

Todos los resultados publicados provienen de OpenBMB. MiniCPM-OCR 1.0 obtendría 93,68 en Real5-OmniDocBench, una prueba de documentos reales (páginas escaneadas, curvadas, fotografiadas o de través), y 54,7 en OCRBench v2. En cuanto a la velocidad, el desarrollador anuncia 1,2 páginas por segundo en una tarjeta NVIDIA GeForce RTX 5090, es decir, 1,49 veces PaddleOCR-VL-1.6 y 3,62 veces MinerU2.5 Pro, y hasta 128 páginas por minuto paralelizando los tratamientos.

Para Jev, el área bajo la curva ROC (AUROC, ×100), que mide la capacidad de separar buenos y malos resultados, alcanzaría 93,6 en JevOCRBench, por encima de JEV-35B-A3B (90,1) y cerca de Qwen3.5-397B-A17B (93,8), un modelo mucho más grande. Pero este banco de pruebas es del desarrollador, y la prueba sobre cuatro motores de OCR solo abarca 200 muestras.

Listo para desplegar

Los dos modelos funcionan desde su lanzamiento con vLLM, SGLang, llama.cpp y Ollama, existen en versiones cuantizadas (GGUF, AWQ, GPTQ) y pueden ajustarse. OpenBMB cita soporte desde el primer día en Arm, Houmo AI, Intel y NVIDIA, y otros fabricantes de chips a través de FlagOS. Una demo en línea y una API también son accesibles en la plataforma de ModelBest, a la que remite el anuncio.