MiniCPM-OCR চালু আছে

MiniCPM-OCR হলো মিয়ানবী ইন্টেলিজেন্স প্রকাশিত ও ওপেন-সোর্স করা OCR সিরিজের মডেল। MiniCPM-OCR 1.0（1.3B）ডকুমেন্ট পার্সিংয়ের জন্য বিশেষায়িত মডেল, যা Real5-OmniDocBench এবং OCRBench v2—উভয় ক্ষেত্রেই SOTA অর্জন করেছে। DSpark ডিকোডিং ত্বরণে এর থ্রুপুট 1.217 পৃষ্ঠা/সেকেন্ডে পৌঁছায়, দ্রুত ও নির্ভুল; MiniCPM-OCR Jev（2B）শিল্পের প্রথম পার্সিং ফলাফল মূল্যায়নকারী মডেল, যা আউটপুটের গুণমান স্কোর দেয়, স্বয়ংক্রিয়ভাবে মানব যাচাই ছাড়াই গ্রহণযোগ্য ফল বাছাই করে এবং জনবল ব্যয় কমায়। MiniCPM-OCR অর্থায়ন, আর্থিক ও করসংক্রান্ত কাজ, আইন, চিকিৎসা ইত্যাদি গোপনীয়তা-সংবেদনশীল ক্ষেত্রে উপযোগী এবং প্রান্ত-ডিভাইসে স্থানীয়ভাবে চালানো ও দ্বিতীয়বার ফাইন-টিউনিং সমর্থন করে।

ডকুমেন্ট পার্সিং ও কাঠামোবদ্ধকরণ: বিল, চুক্তি, প্রতিবেদন, চিকিৎসা নথি ইত্যাদি ডকুমেন্টের লেআউট কাঠামো পুনর্গঠন করে Markdown বা ক্ষেত্রভিত্তিক ডেটা আউটপুট দেয়।
জটিল লেআউট শনাক্তকরণ: বহু-কলামের সংবাদপত্র, প্রশস্ত আর্থিক টেবিল, হাতে লেখা নোট, জটিল ম্যাট্রিক্স সূত্র, সিল-ঢাকা ডকুমেন্টসহ সাত ধরনের উচ্চ-চাহিদার দৃশ্য সমর্থন করে।
ছবির স্বয়ংক্রিয় সংশোধন: ঘোরানো বা উল্টো থাকা ডকুমেন্ট স্বয়ংক্রিয়ভাবে শনাক্ত ও সংশোধন করে, হাতে সোজা করার প্রয়োজন নেই।
বহু-পৃষ্ঠার বিষয়বস্তু একত্রকরণ: দীর্ঘ ডকুমেন্টের বিভিন্ন পৃষ্ঠার তথ্য একত্র করে আউটপুট দিতে পারে, ব্যবসায়িক সিস্টেমে ব্যবহারের উপযোগী।
পার্সিংয়ের গুণমান মূল্যায়ন（Jev）: যেকোনো OCR সিস্টেমের পার্সিং ফলাফলের জন্য 0–1 গুণমান স্কোর দেয় এবং ফলাফল কতটা নির্ভরযোগ্য তা নির্ধারণ করে।
মানব যাচাই বণ্টন: স্কোরের সীমা অনুযায়ী স্বয়ংক্রিয়ভাবে ফল বাছাই করে; উচ্চ-স্কোরের ফল যাচাই ছাড়াই সংরক্ষণ করে এবং নিম্ন-স্কোরের ফল মানব যাচাইয়ে পাঠায়, ফলে যাচাইয়ের কাজ উল্লেখযোগ্যভাবে কমে।
একাধিক মডেলের মধ্যে সেরা নির্বাচন: একাধিক মডেলের পার্সিংয়ের পর Jev প্রতিটি অঞ্চলের স্কোর দিয়ে সেরা সমন্বয় নির্বাচন করে, সামগ্রিক স্কোর সর্বোচ্চ 0.25 পর্যন্ত বাড়ায়।
মূল তথ্য নিষ্কাশন（KIE）: সিল-ঢাকা নথি, রসিদ ইত্যাদি দৃশ্য থেকে গুরুত্বপূর্ণ ক্ষেত্রের তথ্য নিষ্কাশন করে।

WeChat-এ অনুসরণ করে “开源” লিখে উত্তর পাঠান এবং AI ওপেন-সোর্স প্রকল্পের আলোচনা গ্রুপে যোগ দিন
শক্তিশালী ভিত্তি: MiniCPM-V 4.6 মাল্টিমোডাল মডেলের ওপর প্রশিক্ষিত; MiniCPM-V/o সিরিজে সঞ্চিত বৃহৎ উচ্চমানের ডকুমেন্ট প্রি-ট্রেনিং ডেটা পুনঃব্যবহার করে। ফলে OCR-নির্দিষ্ট প্রশিক্ষণের আগেই মডেলটি ছবি ও ডকুমেন্ট বোঝার দৃঢ় সক্ষমতা অর্জন করে এবং প্রশিক্ষণকে শনাক্তকরণ নির্ভুলতা ও কাঠামোবদ্ধ আউটপুটে কেন্দ্রীভূত করা যায়।
দক্ষ আর্কিটেকচার: LLaVA-UHDv4-এর কার্যকর ভিজ্যুয়াল টাইলিং পদ্ধতি ব্যবহার করে, যাতে উচ্চ-রেজোলিউশনের ছবির সঙ্গে গণনার পরিমাণ অস্বাভাবিকভাবে না বাড়ে; স্বয়ংক্রিয় Upright এবং অভিযোজিত Upsize—এই দুটি নকশা একীভূত করা হয়েছে।
ডেটা সংশ্লেষণ ও রিইনফোর্সমেন্ট লার্নিং: বিপুল বাস্তব দৃশ্য থেকে বীজ ডেটা সংগ্রহ করে Agentic সংশ্লেষণের মাধ্যমে বৃহৎ পরিসরে সম্প্রসারণ করা হয়, যাতে বাস্তব বৈশিষ্ট্য ও বৈচিত্র্য দুটিই বজায় থাকে; এরপর বাস্তব জটিল দৃশ্যের ওপর বৃহৎ পরিসরের রিইনফোর্সমেন্ট লার্নিং পরিচালনা করে দীর্ঘ-লেজের নমুনার পার্সিং গুণমান উন্নত করা হয়।
DSpark ডিকোডিং ত্বরণ: হালকা ড্রাফট মডিউল একবারে একাধিক সম্ভাব্য token প্রস্তাব করে, প্রধান মডেল একবারে সমান্তরালভাবে সেগুলো যাচাই করে। ফলে token ধরে ধরে তৈরির পরিবর্তে, গুণমান না কমিয়ে end-to-end দক্ষতা 55% বাড়ে।
Jev দ্রুত-বিশ্লেষণ মূল্যায়ন পদ্ধতি: System-1 নকশা ব্যবহার করে; একবারের forward prefill গণনা, autoregressive decoding ছাড়াই অত্যন্ত কম latency-তে উচ্চ-ফ্রিকোয়েন্সির গুণমান যাচাইয়ের প্রবেশদ্বার হিসেবে কাজ করতে পারে। বাস্তব মানব-লেবেল করা ব্লক-স্তরের সঠিকতার লেবেল দিয়ে প্রশিক্ষিত হওয়ায় স্কোর সরাসরি ব্যবসায়িক সীমা হিসেবে ব্যবহার করা যায়।

স্থানীয়ভাবে ডিপ্লয় করে ইনফারেন্স চালানো: Hugging Face CLI দিয়ে মডেলের ওজন ডাউনলোড করুন（openbmb/MiniCPM-OCR-1.0 অথবা openbmb/MiniCPM-OCR-Jev）。
ইনফারেন্স ফ্রেমওয়ার্ক ইনস্টল করুন（প্রথম পর্যায়ে vLLM、SGLang、llama.cpp、Ollama সমর্থিত; প্রয়োজন অনুযায়ী যেকোনো একটি বেছে নিন। OpenBMB সিরিজের মডেলের সাধারণ চালুর পদ্ধতি হলো vllm serve openbmb/<মডেলের নাম> --port 8000）。
হার্ডওয়্যার অনুযায়ী quantization সংস্করণ নির্বাচন করুন। একাধিক চিপ ও বিভিন্ন quantization ফরম্যাট সমর্থিত; প্রান্ত-ডিভাইস বা কম গণনাশক্তির পরিবেশে GGUF/INT4 সংস্করণ বেছে নেওয়া যায়।
ডকুমেন্টের ছবি ইনপুট দিলে মডেল স্বয়ংক্রিয়ভাবে সংশোধন, লেআউট বিশ্লেষণ ও কাঠামোবদ্ধ পার্সিং সম্পন্ন করে এবং Markdown বা ক্ষেত্রভিত্তিক ফলাফল আউটপুট দেয়।

দুই ক্ষেত্রে SOTA নির্ভুলতা: Real5-OmniDocBench-এ 93.68 এবং OCRBench v2-এ 54.7 স্কোর（পরবর্তী সেরা মডেলের চেয়ে 7.7 বেশি）；14টি প্রধান মডেলের তুলনামূলক পরীক্ষায় 6টি বেঞ্চমার্কের মধ্যে 4টিতে প্রথম।
দক্ষতায় এগিয়ে: DSpark ডিকোডিং ত্বরণে end-to-end দক্ষতা 55% বাড়ে এবং থ্রুপুট 1.217 পৃষ্ঠা/সেকেন্ডে পৌঁছায়; দক্ষতা-ফলাফল scatter plot-এ এটি একমাত্র “সবচেয়ে দ্রুত + সবচেয়ে নির্ভুল” মডেল।
অত্যন্ত হালকা: মাত্র 1.3B প্যারামিটার নিয়ে বৃহত্তর মডেলকে ছাড়িয়ে যেতে পারে; প্রান্ত-ডিভাইস ও সীমিত গণনাশক্তির পরিবেশে উপযোগী এবং গোপনীয়তার প্রয়োজন মেটাতে স্থানীয়ভাবে চালানো যায়।
ফলাফল নির্ভরযোগ্য ও মূল্যায়নযোগ্য: Jev শিল্পের প্রথম OCR গুণমান যাচাই মডেল; এর AUROC 93.6, যা 35B-স্তরের মূল্যায়ন মডেলকে ছাড়িয়ে যায়। ফলে “কোন পৃষ্ঠায় মানব যাচাই দরকার” তা প্রথমবার আগে থেকেই জানা যায়।
তাৎক্ষণিকভাবে ব্যবহারযোগ্য গুণমান যাচাই: Jev কোনো নির্দিষ্ট OCR সিস্টেমের সঙ্গে আবদ্ধ নয়; GLM-OCR、PaddleOCR-VL সহ একাধিক সিস্টেমে AUROC 91.9~93.4-এর মধ্যে স্থিতিশীল।

GitHub রিপোজিটরি：https://github.com/OpenBMB/MiniCPM-OCR
HuggingFace মডেল রিপোজিটরি： https://huggingface.co/openbmb/MiniCPM-OCR-1.0
https://huggingface.co/openbmb/MiniCPM-OCR-Jev

আর্থিক নথি প্রক্রিয়াকরণ: ব্যাংক স্টেটমেন্ট, চেক ও রসিদের স্বয়ংক্রিয় শনাক্তকরণ এবং কাঠামোবদ্ধ ইনপুট; Jev যাচাইয়ের পর উচ্চ-স্কোরের নথি সরাসরি সংরক্ষণ করে কাউন্টারে মানব-ইনপুট কমানো।
আইনি চুক্তি পর্যালোচনা: আইন সংস্থা ও আইন বিভাগে চুক্তির পাঠ্য ব্যাচ পার্সিং; স্থানীয়ভাবে চালিয়ে নথি প্রতিষ্ঠানের বাইরে না পাঠানোর নিশ্চয়তা, এবং Jev-এর সহায়তায় সর্বোচ্চ 85% পৃষ্ঠা যাচাই ছাড়াই গ্রহণ করে যাচাইয়ের সময় উল্লেখযোগ্যভাবে কমানো।
চিকিৎসা নথির ডিজিটাল রূপান্তর: হাসপাতালের কাগজের চিকিৎসা নথি ও পরীক্ষার প্রতিবেদন কাঠামোবদ্ধ ইলেকট্রনিক ডেটায় রূপান্তর; ব্যক্তিগত ডিপ্লয়মেন্ট রোগীর গোপনীয়তা ও কমপ্লায়েন্সের প্রয়োজন পূরণ করে।
সরকারি নথি ব্যবস্থাপনা: সরকারি চিঠি, পরিচয়পত্র ও সিলযুক্ত নথি শনাক্তকরণ এবং মূল তথ্য নিষ্কাশন（KIE）；সিলের আড়ালে থাকা গুরুত্বপূর্ণ ক্ষেত্র স্বয়ংক্রিয়ভাবে নিষ্কাশন।