MiniCPM-OCR 1.0

MiniCPM-OCR 1.0 (1.3B) — первая OCR-специализированная модель в семействе MiniCPM-V/o от OpenBMB. Обучена на базе MiniCPM-V 4.6 для разбора текста, таблиц, формул, графиков, печатей и извлечения структурированной информации; основные языки — китайский и английский.

🔥 Ключевые особенности

• 💯 SOTA-разбор документов: 93.68 на Real5-OmniDocBench и лидерство на OmniDocBench v1.6, Wild-OmniDocBench и olmOCR-Bench.
• 🔥 Ускорение DSpark: до +55% к end-to-end эффективности; пропускная способность ~1.49× выше PaddleOCR-VL-1.6 и ~3.62× выше MinerU2.5 Pro.
• 👁 Понимает текст, таблицы, формулы, графики и печати; умеет KIE с выдачей JSON.
• 🦾 Готовность к деплою: vLLM, SGLang, llama.cpp и Ollama с первого дня, квантованные варианты и мультичиповые сборки.
• ✅ Apache 2.0, pip-SDK, API, агентные workflow и возможности дообучения.

😎 Пример

После запуска vLLM-сервиса с моделью можно разобрать изображение через CLI:

pip install "minicpm-ocr[all]"
minicpmvocr parse demo.png --backend vllm --server-url http://127.0.0.1:8080 --model minicpm-ocr --device cuda:0 --output output/demo.md

Подробнее

Бенчмарки: 93.68 на Real5-OmniDocBench, 54.7 на OCRBench v2; ~1.2 страницы/с на RTX 5090 при concurrency 1.
Пайплайн: MiniCPM-OCR 1.0 + PP-DocLayoutV3 + SDK minicpmvocr; визуальные токены с 4× сжатием, scale_resolution 448, до 9 слайсов.
Ограничения: основные языки — китайский и английский; для SDK нужен отдельно запущенный сервис модели.
Лицензия Apache 2.0; есть BF16, GGUF, AWQ W4A16 и GPTQ W4A16 варианты.