MiniCPM-OCR 1.0: OpenBMB lança modelo pequeno de OCR sob Apache 2.0, acompanhado de um segundo modelo que avalia a confiabilidade do resultado

OpenBMB, o coletivo open source por trás da família de modelos MiniCPM, publicou na terça-feira, 27 de outubro, a suíte MiniCPM-OCR, anunciada no X às 17h52, horário de Paris. Ela reúne dois modelos com pesos baixáveis sob licença Apache 2.0: MiniCPM-OCR 1.0, que lê e estrutura documentos, e MiniCPM-OCR Jev, que verifica o trabalho do primeiro.

A ideia é simples de formular: um motor de OCR (reconhecimento de caracteres) que “termina” uma página não diz se errou. A OpenBMB propõe, portanto, um leitor rápido e um controlador capaz de sinalizar os trechos duvidosos.

Um leitor de documentos de 1,3 bilhão de parâmetros

Segundo sua ficha Hugging Face, o MiniCPM-OCR 1.0 conta 1,3 bilhão de parâmetros. É o primeiro modelo dedicado a OCR da família MiniCPM-V: é treinado a partir do MiniCPM-V 4.6, que associa um codificador visual SigLIP e um modelo de linguagem Qwen3.5. Ele reconhece texto, tabelas, fórmulas, gráficos e carimbos, e sabe extrair campos precisos (o nome de uma loja e o valor de um recibo, por exemplo) em formato JSON.

O modelo não lê uma página de uma só vez. O kit de desenvolvimento primeiro segmenta o documento com um modelo de diagramação (PP-DocLayoutV3), envia cada zona ao modelo e depois remonta tudo em Markdown na ordem de leitura, com tabelas em HTML e fórmulas em LaTeX. Os idiomas priorizados são o chinês e o inglês; a documentação mostra, no entanto, um exemplo de ajuste fino em linhas de escrita manual em francês.

Um segundo modelo que pontua cada trecho

O MiniCPM-OCR Jev (2 bilhões de parâmetros, derivado do Qwen3.5-2B) não lê documentos: recebe a imagem de uma zona e o texto que um motor de OCR extraiu dela, e retorna uma pontuação de 0 a 1, tanto maior quanto maior a chance de o resultado estar correto. A OpenBMB substituiu a cabeça de saída do modelo de linguagem por uma cabeça de classificação binária.

Três usos são descritos: aceitar automaticamente as zonas acima de um limiar, enviar as demais para releitura humana, ou fazer a mesma zona ser lida por vários motores de OCR e manter o melhor resultado. O Jev não depende do MiniCPM-OCR: o desenvolvedor o testou nas saídas do GLM-OCR, PaddleOCR-VL-1.6 e Xiaomi-OCR-0. O limiar fica por conta do usuário, em seus próprios documentos, como esclarece a ficha.

Números a verificar

Todos os resultados publicados vêm da OpenBMB. O MiniCPM-OCR 1.0 obteria 93,68 no Real5-OmniDocBench, um teste de documentos reais (páginas escaneadas, curvadas, fotografadas ou inclinadas), e 54,7 no OCRBench v2. Em velocidade, o desenvolvedor anuncia 1,2 página por segundo em uma placa NVIDIA GeForce RTX 5090, ou seja, 1,49 vez o PaddleOCR-VL-1.6 e 3,62 vezes o MinerU2.5 Pro, e até 128 páginas por minuto paralelizando os processamentos.

Para o Jev, a área sob a curva ROC (AUROC, ×100), que mede a capacidade de separar bons e maus resultados, chegaria a 93,6 no JevOCRBench, acima do JEV-35B-A3B (90,1) e próximo do Qwen3.5-397B-A17B (93,8), um modelo bem maior. Mas esse benchmark é do desenvolvedor, e o teste em quatro motores de OCR cobre apenas 200 amostras.

Pronto para implantar

Os dois modelos funcionam desde o lançamento com vLLM, SGLang, llama.cpp e Ollama, existem em versões quantizadas (GGUF, AWQ, GPTQ) e podem ser ajustados. A OpenBMB cita suporte no primeiro dia na Arm, Houmo AI, Intel e NVIDIA, e outros fabricantes de chips via FlagOS. Uma demonstração online e uma API também estão acessíveis na plataforma da ModelBest, para a qual o anúncio remete.