MiniCPM-OCR

在 2B 以下模型中实现真实场景文档解析与通用 OCR 双项 SOTA，覆盖扫描、拍照、弯曲、倾斜、翻拍等复杂场景，并将可靠性校验融入 OCR 链路，让解析不止于「看起来对」。

核心亮点

• 解析 + 决策 — 双模型，定义可信 OCR：MiniCPM-OCR 1.0 负责高效解析，MiniCPM-OCR Jev 负责结果判别，让「解析 → 校验 → 路由」成为开箱即用的完整链路。
• 能力与效率双 SOTA：MiniCPM-OCR 1.0 以 1.3B 参数在 Real5-OmniDocBench、OCRBench v2 分别取得 93.68、54.7 的 SOTA 成绩；搭载 DSpark 投机采样加速，在同等测试条件下，端到端处理效率提升 55%，吞吐量达到 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。
• 从部署到应用，一步到位：Day 0 适配 vLLM、SGLang、llama.cpp 和 Ollama 等主流推理框架，支持多芯片与多种量化版本。我们还提供了 pip SDK、功能完备的 API 和成熟的 skill.md，并支持二次微调，方便应用集成与定制开发。

技术亮点

• LLaVA-UHD v4 分片视觉编码：MiniCPM-OCR 1.0 基于 LLaVA-UHD v4 的高效视觉分片方案：高清图按 448×448 切片，配合低分辨率概览图，超大图像块编码依然高效，注意力开销随分片数线性增长；同时在 ViT 视觉编码器内部提前压缩视觉 token，减少后续编码层的计算开销。
• 自适应 Upsize 与自动 Upright：自动 Upright 对输入图像朝向进行自动判断与纠正，旋转、倒置文档无需人工预处理；自适应 Upsize 通过自适应上采样提升模型对密集文字、细小数字等细节的解析能力，二者共同保证复杂采集条件下的稳定性。
• DSpark 投机采样：基于自研 DSpark 投机采样解码加速，MiniCPM-OCR 1.0 在解析质量不掉的前提下，端到端处理效率提升 55%，实现 1.2 页/秒的高吞吐，显著降低大规模文档解析的时间开销。
• Jev：校准概率 + System-1 快判断：MiniCPM-OCR Jev 不解析文本，只对解析结果进行正误判断并直接返回正确概率；模型基于真实人工标注的块级解析正确性标签训练。作为 System-1 快判断层，它只需单次前向 prefill 计算、无需自回归，延迟极低，可作为高频门禁节点，在昂贵的人工复核前拦截大部分简单情况。

模型表现

• 文档解析能力：MiniCPM-OCR 1.0 在多种真实拍摄场景（Real5-OmniDocBench 93.68、Wild-OmniDocBench 92.39）、OmniDocBench v1.6（96.51）、olmOCR-Bench（82.7）上综合领先，并在 OCRBench v2 上以 54.7 取得 SOTA。
• 推理效率：基于 DSpark 投机采样加速，MiniCPM-OCR 端到端处理效率提升 55%，实测吞吐 1.217 页/秒，达到 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。
• 解析结果决策：MiniCPM-OCR Jev 支持文本、公式和表格解析结果的质量判别，JevOCRBench 整体达到 93.6，接近 Qwen3.5-397B-A17B 的 93.8，超过 JEV-35B-A3B 的 90.1，帮助开发者评估解析质量、筛选需要重点复核的结果。