معرفی مدل متنباز MiniCPM-OCR؛ ابزار پرسرعت OpenBMB برای استخراج دقیق متون اسناد

مقدمه

MiniCPM-OCR یک خانواده از مدل‌های متن‌باز برای تحلیل اسناد و نویسه‌خوان نوری (OCR) است که توسط تیم OpenBMB (تیم توسعه‌دهنده مدل‌های MiniCPM با همکاری ModelBest) توسعه یافته است. این مجموعه در تاریخ ۲۷ اکتبر ۲۰۲۶ در قالب بسته‌ای شامل دو مدل مجزا منتشر شد:

• مدل MiniCPM-OCR 1.0 با ۱٫۳ میلیارد پارامتر: این ابزار نخستین مدل اختصاصی OCR در خانواده MiniCPM-V/o به شمار می‌رود که بر پایه MiniCPM-V 4.6 (شامل انکودر بینایی SigLIP و مدل زبانی Qwen3.5) به‌طور ویژه برای پردازش و بازخوانی متون آموزش دیده است.
• مدل MiniCPM-OCR Jev با ۲ میلیارد پارامتر: یک مدل تصمیم‌گیرنده و مستقل از معماری است که خروجی‌های OCR را ناحیه به ناحیه بررسی می‌کند و بخش‌هایی را که به بازبینی انسانی نیاز دارند مشخص می‌سازد.

تمام بخش‌های این پروژه شامل کدها، مستندات و وزن‌های مدل تحت مجوز Apache 2.0 منتشر شده‌اند. دریافت وزن‌ها: openbmb/MiniCPM-OCR-1.0دسترسی به کدها: github.com/OpenBMB/MiniCPM-OCR.

بررسی ابعاد فنی

ویژگی‌های کلیدی

1. کیفیت تحلیل و استخراج اسناد: این مدل در بنچمارک Real5-OmniDocBench (که مربوط به اسناد واقعی و ثبت‌شده با دوربین است) امتیاز ۹۳٫۶۸ و در بنچمارک OCRBench v2 امتیاز ۵۴٫۷ را ثبت کرده است و در آزمون‌های OmniDocBench v1.6، Wild-OmniDocBench و olmOCR-Bench نیز در میان برترین‌ها قرار دارد. این مدل توانایی خواندن اسناد و فایل‌های PDF به زبان‌های چینی و انگلیسی از جمله برگه‌های اسکن‌شده، خمیده، زاویه‌دار، عکس‌برداری‌شده و تصاویر کم‌کیفیت را داراست.
2. پوشش جامع انواع محتوا: پردازش متون، جداول، فرمول‌های ریاضی، نمودارها، مهرها و استخراج اطلاعات کلیدی (KIE) در این مدل پشتیبانی می‌شود؛ خروجی‌ها کاملاً ساختاریافته هستند و برای اتوماسیون فرایندها در مراحل بعدی کاربرد دارند.
3. سرعت پردازش بالا: به لطف شتاب‌دهنده دیکودینگ DSpark (در نسخه‌های BF16 و GGUF)، بازدهی نهایی حدود ۵۵ درصد بهبود یافته است؛ سرعت پردازش آن حدود ۱٫۴۹ برابر سریع‌تر از PaddleOCR-VL-1.6 و ۳٫۶۲ برابر سریع‌تر از MinerU2.5 Pro است و با پردازش همزمان از طریق SDK به رکورد حدود ۱۲۸ صفحه در دقیقه می‌رسد.
4. اعتبارسنجی با مدل Jev: مدل MiniCPM-OCR Jev خروجی‌های متنی، فرمولی و جدولی موتورهای مختلف OCR را ارزیابی و امتیازدهی می‌کند؛ تیم OpenBMB در بنچمارک JevOCRBench امتیاز ۹۳٫۶ را برای آن ثبت کرده است که بالاتر از مدل JEV-35B-A3B با امتیاز ۹۰٫۱ و نزدیک به مدل قدرتمند Qwen3.5-397B-A17B با امتیاز ۹۳٫۸ قرار می‌گیرد.
5. قابلیت‌های استقرار و سازگاری: پشتیبانی کامل و روز اول از فریمورک‌های vLLM، SGLang، llama.cpp و Ollama، ارائه نسخه‌های کوانتایزشده (GGUF، GPTQ و AWQ) و پشتیبانی سخت‌افزاری از پردازنده‌های Arm، اینتل (از طریق OpenVINO)، انویدیا، Houmo AI و موارد دیگر به‌واسطه FlagOS فراهم شده است.

ملاحظات و محدودیت‌ها

• بنچمارک‌ها بر پایه گزارش‌های رسمی توسعه‌دهندگان اعلام شده‌اند؛ برخی از کاربران اشاره کرده‌اند که این مدل در بنچمارک استاندارد OmniDocBench نسبت به بنچمارک‌های متمرکز بر تصاویر واقعی، رتبه پایین‌تری کسب می‌کند.
• زبان‌های اصلی تحت پوشش در حال حاضر چینی و انگلیسی هستند.

اهمیت و دلیل توجه کاربران

عرضه یک خانواده مدل مستقل و جدید (و نه صرفاً یک به‌روزرسانی ساده از MiniCPM-V) همراه با وزن‌ها، کدها و SDK کامل باعث شده است تا این ابزار به‌سرعت در اخبار هوش مصنوعی شبکه اجتماعی X در ۲۸ اکتبر ۲۰۲۶ مورد توجه گسترده قرار گیرد.

راهنمای استفاده

نحوه راه‌اندازی و اجرا

1. پلتفرم Hugging Face: دریافت وزن‌های مدل از صفحه openbmb/MiniCPM-OCR-1.0 (شامل نسخه‌های GGUF، GPTQ، AWQ و DSpark) و همچنین مدل کمکی openbmb/MiniCPM-OCR-Jev امکان‌پذیر است.
2. سرویس‌دهی با ابزار vLLM:

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

1. کتابخانه پایتون (SDK): با اجرای دستور pip install minicpm-ocr می‌توان از این پکیج استفاده کرد که شامل ابزار تشخیص چیدمان سند (PP-DocLayoutV3) و سیستم هماهنگ‌کننده مدل‌های بینایی‌زبانی همراه با امکان اتصال به موتورهای استنتاج گوناگون است.
2. اجرای محلی: امکان اجرای نسخه‌های GGUF با استفاده از ابزارهای llama.cpp یا Ollama روی لپ‌تاپ یا سیستم‌های رومیزی مهیا است.
3. افزودن مدل Jev: با قرار دادن مدل Jev در انتهای هر خط لوله OCR می‌توان امتیاز اطمینان هر ناحیه را دریافت کرد و بخش‌های با اطمینان پایین را برای بررسی مجدد به ناظر انسانی فرستاد.

کاربردهای مناسب

• پردازش فاکتورها، قراردادها، رسیدها و فرم‌های ثبت‌شده با دوربین گوشی‌های همراه
• تبدیل فایل‌های PDF پرحجم و آرشیوهای اسکن‌شده به قالب‌های Markdown، جداول HTML و فرمول‌های LaTeX
• خطوط لوله پردازش اسناد با هوش مصنوعی که علاوه بر متن خام، به شاخص اعتبارسنجی و سنجش میزان اطمینان خروجی نیاز دارند