Nyílt forráskódú MiniCPM-OCR modelleket mutatott be a ModelBest és az OpenBMB

Két modell különböző feladatokra

A 2026. október 31-én bejelentett sorozat első tagja a MiniCPM-OCR 1.0, amely 1,3 milliárd paraméteres modellként a MiniCPM család első, kifejezetten OCR-re, vagyis optikai karakterfelismerésre készült képviselője. A fejlesztők szerint a rendszert peremhálózati telepítésre optimalizálták, így a kompakt méret mellett magas dokumentumfeldolgozási pontosságot kínál.

A második modell a MiniCPM-OCR Jev, amely 2 milliárd paraméteres döntési modell. A Jev nem maga végzi az OCR-feldolgozást. A forrásképet hasonlítja össze az OCR kimenetével, majd megbízhatósági pontszámot rendel a szöveghez, a LaTeX-formulákhoz és a táblázatokhoz.

Fényképezett és összetett dokumentumokat is kezel

A ModelBest és az OpenBMB közlése szerint a MiniCPM-OCR 1.0 szkennelt, lefényképezett, hajlított, megdöntött és képernyőről rögzített dokumentumokat is képes feldolgozni külön összetett képelőfeldolgozás nélkül. A modell sűrű, kínai és angol nyelvű tartalmakat, összetett matematikai képleteket, valamint többszintű vagy szegély nélküli táblázatokat is kezel.

A teljes oldal rekonstrukciója mellett kulcsinformációk kinyerésére is használható. A vállalati utasítások alapján meghatározott mezőket tud kiolvasni számlákból, személyazonosító okmányokból és pénzügyi kimutatásokból.

A közlemény szerint a DSpark dekódolási gyorsítás növeli a teljes feldolgozási áteresztőképességet, miközben csökkenti az egy oldalra jutó késleltetést. Ez olyan szervezetek számára lehet fontos, amelyek milliónyi oldalt dolgoznak fel, például pénzügyi szerződési archívumok, tudományos könyvtárak vagy kormányzati nyilvántartások esetében. A fejlesztők állítása szerint azonos hardver- és időkeret mellett több dokumentum dolgozható fel, alacsonyabb számítási költséggel.

AI-alapú ellenőrzés az OCR után

A MiniCPM-OCR Jev célja az OCR-eredmények oldalankénti, korábban gyakran manuálisan végzett ellenőrzésének támogatása. A modell hiányzó karaktereket, felismerési hibákat és formázási eltéréseket keres, majd a feldolgozott eredmények megbízhatóságát értékeli.

A közlemény szerint a Jev különböző OCR-modellek mellett is bevethető, és meglévő munkafolyamatokba illeszthető anélkül, hogy az alapul szolgáló OCR-motort le kellene cserélni. Automatikusan kiválaszthatja a közvetlenül feldolgozható eredményeket, emberi ellenőrzésre jelölheti a bizonytalan kimeneteket, illetve több OCR-rendszer eredményei közül kiválaszthatja a legjobbat. A ModelBest és az OpenBMB ezt a teljes körű manuális ellenőrzésről kockázatalapú, automatizált minőség-ellenőrzésre való átmenetként írja le.

Több platformon elérhető a sorozat

A MiniCPM-OCR modellek elérhetők a GitHubon, a Hugging Face-en és a ModelScope-on. A támogatott futtatási környezetek között szerepel a vLLM, az SGLang, a llama.cpp és az Ollama. A kiadás SDK-kat, API-kat, Agent Skill bővítményeket és nyílt forráskódú finomhangolási kódot is tartalmaz.

A közlemény szerint a Day-0 hardvertámogatás kiterjed az AMD, az Arm, a Houmo AI, az Intel és az NVIDIA megoldásaira. A FlagOS szoftververem további Day-0 támogatást kínál többek között a CIX Technology, a Huawei Ascend, a Hygon, az Iluvatar CoreX, a Kunlunxin, a MetaX, a Moore Threads, a Sunrise, a T-Head, a TsingMicro és az Apple Mac Arm chipjeihez.