面壁开源 MiniCPM-OCR 1.0 模型，1.3B 参数主打文档解析

MiniCPM-OCR 1.0（1.3B）是 MiniCPM-V/o 系列中首个专用于 OCR 的模型。它专注于以文本为中心的文档理解——文本、表格、公式、图表、印章以及结构化信息抽取——并在真实场景拍摄的图片上兼顾质量与速度。

亮点

• 🏆 SOTA 文档解析：在面向真实场景文档解析的基准 Real5-OmniDocBench 上取得 93.68，并在 OmniDocBench v1.6、Wild-OmniDocBench 和 olmOCR-Bench 上取得领先结果。可处理中英文文档和 PDF，包括扫描件、弯曲页面、照片、倾斜页面和翻拍文档。
• ⚡ 高效推理。借助 DSpark 解码加速 （BF16、GGUF），端到端 处理效率提升 55%。吞吐量约为 PaddleOCR-VL-1.6 的 1.49×， 为 MinerU2.5 Pro 的 3.62×。
• 🔍 通用识别与信息抽取：在 OCRBench v2 上取得 54.7，并支持面向下游自动化的关键 信息抽取（KIE）。
• 🛠️ 易于部署和开发：首日即支持 vLLM、SGLang、llama.cpp 和 Ollama，并提供 量化版本和多芯片构建。支持进一步微调，并附带 pip SDK、 完整 API 和智能体工作流。在线演示：中国 · 全球。

更高吞吐下的 SOTA 质量

在参与对比的开源 OCR 模型中，MiniCPM-OCR 1.0 达到 1.2 页/秒，并在 OmniDocBench v1.6、Real5-OmniDocBench、 Wild-OmniDocBench 和 olmOCR-Bench 上取得最高的等权平均分。

_{平均分是四个基准的等权平均值。所有模型均使用 加速配置。设置与复现方法见 复现指南。 各模型吞吐量见 模型指南。}

基准对比

MiniCPM-OCR 1.0 完整评测结果

每个面板保留各自基准的分数；越高越好。不同 基准的分数不能直接比较。测试设置与复现步骤见 复现指南；各基准的讨论见 模型指南。

吞吐量

在 NVIDIA GeForce RTX 5090 上，使用 OmniDocBench v1.6 的全部 1651 张图片、图像级并发 1， 并采用各系统的加速配置，MiniCPM-OCR 1.0 达到 1.2 页/秒 （相对吞吐量 1.00×；越高越快）。

并发 1 是图像级的：页面内部的区域仍会并行识别。 实际吞吐量还取决于页面内容、后端、并发数和硬件。

示例

从左到右：原始文档、检测到的版面、渲染后的 Markdown。

英文文档

中文文档

更多示例

原始文档与解析结果并排展示。

英文文档

中文文档

模型架构

有关架构、解析工作流、部署选项和基准测试明细，请参阅模型指南。

快速开始

文档解析（SDK）

SDK 解析整份文档；模型识别区域：

1. 读取 — 接受 PDF/PNG/JPG，并将 PDF 页面栅格化。
2. 布局 — PP-DocLayoutV3 检测区域和阅读顺序，然后裁剪这些区域。
3. 识别 — 区域被并发发送到 MiniCPM-OCR 1.0 服务。
4. 组装 — 结果按阅读顺序合并为 Markdown；表格转为 HTML，公式保持 LaTeX。

SDK 和推理服务使用独立的 Python 环境，可能运行在不同的机器上。请参阅SDK 教程。

vLLM

vllm serve openbmb/MiniCPM-OCR-1.0 \
  --served-model-name MiniCPM-OCR \
  --trust-remote-code \
  --max-model-len 40960

完整 API 示例（请求字段、图像编码、响应检查）：vLLM 部署指南。

其他运行时

提示词

提示词用于选择任务，并且必须与你裁剪的区域相匹配：

如果 finish_reason 为 length，则输出已被截断——请提高 token 预算。

关键信息提取（KIE）

MiniCPM-OCR 1.0 可以直接从图像中提取指定字段——例如收据上的店名和金额。发送图像时附带字段提取提示词，并要求返回 JSON 对象；你无需先生成页面 Markdown。

使用图像识别 API 示例，并将 Text Recognition: 替换为：

Extract the "store_name", "amount". Format the output as a JSON object with keys: "store_name", "amount". If an item is not in the image, use "###".

将两个字段列表替换为你自己的字段名（中文或英文）。响应是模型生成的文本：在下游使用之前，请解析 JSON 并检查字段和值。

Agent 技能

让编码 Agent 按照该技能设置环境、下载模型并解析第一份文档：

Read and execute https://github.com/OpenBMB/MiniCPM-OCR/blob/main/docs/SKILL_en.md

微调

LLaMA-Factory · ms-swift — 数据准备、冻结多模态投影器的全参数 SFT、训练和评估（法语手写文本行）。

相关检查点

DSpark 要求主模型和草稿模型来自同一发布版本且相互匹配——不要将草稿权重与不同的主检查点混用。请参阅DSpark 加速。

有关 OCR 质量评估（自动接受、人工审核路由、跨模型 best-of-N），请参阅MiniCPM-OCR Jev。

常见问题

安装、模型下载、GPU 内存、输入格式和意外输出：常见问题。

许可证

模型权重、代码和文档均在Apache License 2.0 下发布。