Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизAPI / Продукт · В работуX: @OpenBMB→ оригинал

OpenBMB выпустила открытый OCR с моделью-контролёром: до 128 страниц в минуту

OCR превращает скан счёта в текст и ошибается молча: например, «1 580» становится «1 080». OpenBMB выложила открытый MiniCPM-OCR: распознаватель на 1 млрд параметров (до 128 страниц в минуту) и контролёр на 2 млрд, который оценивает чужой разбор. Контролёр набрал 93,6 балла на JevOCRBench, почти как Qwen3.5-397B-A17B (93,8). Так сомнительные страницы можно отдавать человеку без дорогой модели.

AI-обработка оригинала X: @OpenBMB; редакция Hamidun News
OpenBMB выпустила открытый OCR с моделью-контролёром: до 128 страниц в минуту
Источник: X: @OpenBMB. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникX: @OpenBMB ↗
Главный редактор
Ключевой факт #1Распознаватель набрал 93,68 на Real5-OmniDocBench и 54,7 на OCRBench v2
Ключевой факт #2С DSpark в 3,62 раза быстрее MinerU2.5 Pro, в 1,49 — PaddleOCR-VL-1.6
Ключевой факт #3Работает на Arm, Intel, NVIDIA, Houmo AI и ещё 10 вендорах чипов

OCR — это распознавание текста на сканах и фотографиях: программа читает страницу счёта, договора или накладной и отдаёт текст, таблицы и формулы. Неприятная особенность в том, что она почти никогда не сообщает, где ошиблась. Если в счёте «1 580» превратилось в «1 080», пайплайн об этом не узнает, и неверная цифра уйдёт в учёт, базу знаний или RAG. Команда OpenBMB выложила в открытый доступ набор MiniCPM-OCR, который решает обе задачи сразу: быстро распознаёт страницы (до 128 в минуту) и отдельной моделью проверяет, не ошибся ли распознаватель.

Две модели с разными задачами

MiniCPM-OCR 1.0 — компактный распознаватель на 1 млрд параметров. Он превращает страницы в текст, формулы и таблицы. По данным авторов, на бенчмарке Real5-OmniDocBench он набирает 93,68 балла, а на OCRBench v2 — 54,7. Для модели такого размера это заявка на лучший результат в своём классе.

Вторая модель, MiniCPM-OCR Jev, устроена иначе. Это модель-оценщик на 2 млрд параметров: она не читает страницу с нуля, а решает, насколько точно её уже разобрали. Авторы называют её вратарём. Распознаватель выдал результат, а Jev говорит, можно ли ему верить. Важная деталь: проверяющая модель не привязана к собственному распознавателю. Она проверяет текст, формулы и таблицы, полученные от разных OCR-парсеров, поэтому её можно поставить поверх уже работающего решения.

Цифры и сравнения

На бенчмарке JevOCRBench модель Jev набирает 93,6 балла. Для сравнения, JEV-35B-A3B получила 90,1, а огромная Qwen3.5-397B-A17B — 93,8. Получается, что модель на 2 млрд параметров почти догоняет систему, которая по размеру больше неё примерно в 200 раз. Для продакшна это значит, что проверять каждую страницу можно дёшево: не нужно ни платить за гигантскую модель, ни отправлять всё на ручную проверку.

По скорости авторы заявляют следующее. С DSpark MiniCPM-OCR работает в 1,49 раза быстрее PaddleOCR-VL-1.6 и в 3,62 раза быстрее MinerU2.5 Pro. Оптимизации параллельной обработки в SDK поднимают пропускную способность до 128 страниц в минуту. Для архива из сотен тысяч сканов это разница между днями и часами.

Где это запускается

Разработчики сделали упор на простоту внедрения. В первый день заявлена поддержка чипов Arm, Houmo AI, Intel и NVIDIA, а ещё 10 производителей подключены через FlagOS. Модели работают в vLLM, SGLang, llama.cpp и Ollama. Есть квантизованные версии, поддержка дообучения и Agent Skills для подключения к агентам. Код лежит на GitHub, веса — на Hugging Face, а попробовать можно в плейграунде платформы Modelbest.

Что стоит помнить

Все цифры взяты из анонса самих авторов, независимых замеров пока нет. Бенчмарк JevOCRBench, на котором Jev почти сравнялся с Qwen3.5, судя по названию, связан с самим проектом. Поэтому переносить результат на свои документы без проверки нельзя. Сканы с рукописным текстом, плохим освещением или нестандартной вёрсткой могут вести себя иначе. Скорость в 128 страниц в минуту получена с конкретной связкой DSpark и SDK, а в обычном vLLM или Ollama результат может быть скромнее.

Практический вывод простой. Если вы обрабатываете договоры, накладные, медицинские или финансовые документы, возьмите небольшой набор своих страниц и прогоните через MiniCPM-OCR. Отдельно проверьте, насколько Jev ловит ошибки в уже используемом парсере. Если ловит, схема «быстрый распознаватель плюс дешёвый контролёр» позволит автоматически пропускать уверенные страницы, а сомнительные отправлять человеку. Это экономит и деньги, и нервы.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: две модели с разными задачами?

MiniCPM-OCR 1.0 — компактный распознаватель на 1 млрд параметров. Он превращает страницы в текст, формулы и таблицы. По данным авторов, на бенчмарке Real5-OmniDocBench он набирает 93,68 балла, а на OCRBench v2 — 54,7. Для модели такого размера это заявка на лучший результат в своём классе. Вторая модель, MiniCPM-OCR Jev, устроена иначе. Это модель-оценщик на 2 млрд параметров: она не читает страницу с нуля, а решает, насколько точно её уже разобрали. Авторы называют её вратарём.

Что известно по теме: цифры и сравнения?

На бенчмарке JevOCRBench модель Jev набирает 93,6 балла. Для сравнения, JEV-35B-A3B получила 90,1, а огромная Qwen3.5-397B-A17B — 93,8. Получается, что модель на 2 млрд параметров почти догоняет систему, которая по размеру больше неё примерно в 200 раз. Для продакшна это значит, что проверять каждую страницу можно дёшево: не нужно ни платить за гигантскую модель, ни отправлять всё на ручную проверку. По скорости авторы заявляют следующее.

Что известно по теме: где это запускается?

Разработчики сделали упор на простоту внедрения. В первый день заявлена поддержка чипов Arm, Houmo AI, Intel и NVIDIA, а ещё 10 производителей подключены через FlagOS. Модели работают в vLLM, SGLang, llama.cpp и Ollama. Есть квантизованные версии, поддержка дообучения и Agent Skills для подключения к агентам. Код лежит на GitHub, веса — на Hugging Face, а попробовать можно в плейграунде платформы Modelbest.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…