MiniCPM-OCR 1.0：OpenBMB、Apache 2.0ライセンスの小型OCRモデルを公開、結果の信頼度を評価する第2モデルも

OpenBMBは、MiniCPMモデルファミリーを手がけるオープンソースコレクティブであり、10月27日（火）にMiniCPM-OCRスイートを公開した。Xでパリ時間17時52分に発表された。ダウンロード可能な重みはApache 2.0ライセンスで公開され、MiniCPM-OCR 1.0（文書を読み取り構造化するモデル）とMiniCPM-OCR Jev（前者の作業を検証するモデル）の2つが含まれる。

考え方は単純だ。OCR（光学文字認識）エンジンはページを「終わらせて」も、間違えたかどうかは教えてくれない。OpenBMBは高速なリーダーと、疑わしい箇所を指摘できるコントローラーを提案する。

13億パラメータの文書リーダー

Hugging Faceページによると、MiniCPM-OCR 1.0は13億パラメータを持つ。MiniCPM-Vファミリー初のOCR専用モデルであり、SigLIPビジュアルエンコーダーとQwen3.5言語モデルを組み合わせたMiniCPM-V 4.6から学習されている。テキスト、表、数式、グラフ、印鑑を認識し、店名やレシートの金額などの特定フィールドをJSON形式で抽出できる。

モデルはページを一括で読まない。開発キットはまずレイアウトモデル（PP-DocLayoutV3）で文書を分割し、各領域をモデルに送り、読み順に従ってMarkdownに再構成する。表はHTML、数式はLaTeX形式。優先対象言語は中国語と英語だが、ドキュメントにはフランス語の手書きの微調整例も示されている。

各箇所にスコアを付ける第2モデル

MiniCPM-OCR Jev（20億パラメータ、Qwen3.5-2Bから派生）は文書を読まない。領域の画像とOCRエンジンが抽出したテキストを受け取り、0から1のスコアを返す。結果が正しい可能性が高いほど高くなる。OpenBMBは言語モデルの出力ヘッドをバイナリ分類ヘッドに置き換えた。

3つの用途が説明されている。しきい値を超えた領域を自動承認する、それ以外を人間の再読に送る、または同じ領域を複数のOCRエンジンで読ませて最良の結果を選ぶ。JevはMiniCPM-OCRに依存しない。開発元はGLM-OCR、PaddleOCR-VL-1.6、Xiaomi-OCR-0の出力でテストした。しきい値は自分の文書で設定する必要があると、ページに記載されている。

検証が必要な数字

公開された結果はすべてOpenBMBによるものだ。MiniCPM-OCR 1.0はReal5-OmniDocBench（実世界の文書テスト：スキャン、湾曲、撮影、斜めのページ）で93.68、OCRBench v2で54.7を達成したとされる。速度について、開発元はNVIDIA GeForce RTX 5090で1秒あたり1.2ページ、すなわちPaddleOCR-VL-1.6の1.49倍、MinerU2.5 Proの3.62倍、処理の並列化で最大毎分128ページと発表している。

Jevについて、良い結果と悪い結果を分離する能力を測るROC曲線下面積（AUROC、×100）は、JevOCRBenchで93.6に達したとされる。JEV-35B-A3B（90.1）を上回り、はるかに大きなモデルであるQwen3.5-397B-A17B（93.8）に迫る。ただし、このベンチマークは開発元のものであり、4つのOCRエンジンでのテストは200サンプルのみに基づく。

デプロイ準備完了

両モデルはリリース時点でvLLM、SGLang、llama.cpp、Ollamaで動作し、量子化版（GGUF、AWQ、GPTQ）があり、微調整も可能。OpenBMBはArm、Houmo AI、Intel、NVIDIAで初日からの対応を挙げ、FlagOS経由で他のチップメーカーも対応。オンラインデモとAPIはModelBestプラットフォームでも利用可能で、発表はそこにリンクしている。