MiniCPM-OCR Faoliyat yuritmoqda

MiniCPM-OCR — Mianbi Intelligent tomonidan taqdim etilgan va ochiq kodli OCR modellari seriyasi. MiniCPM-OCR 1.0 (1.3B) hujjatlarni tahlil qilish uchun maxsus model bo‘lib, Real5-OmniDocBench va OCRBench v2 mezonlarida birgalikda SOTA natijasini qayd etdi, DSpark dekodlash tezlashtirishi tufayli uning o‘tkazuvchanligi 1.217 sahifa/soniyaga yetadi — tez va aniq; MiniCPM-OCR Jev (2B) sohadagi tahlil natijalarini baholovchi ilk model bo‘lib, chiqish sifati uchun ball beradi, tekshiruv talab qilmaydigan natijalarni avtomatik ajratib, inson tomonidan tekshirish zaruratini kamaytiradi. MiniCPM-OCR moliya, soliq va buxgalteriya, huquq, tibbiyot kabi maxfiylikka sezgir sohalar uchun mos bo‘lib, qurilmada mahalliy ishlash va qo‘shimcha nozik sozlashni qo‘llab-quvvatlaydi.

Hujjatlarni tahlil qilish va strukturaga keltirish: hisob-faktura, shartnoma, hisobot, tibbiy karta kabi hujjatlarning sahifa tuzilmasini tiklaydi va Markdown yoki maydonlarga ajratilgan ma’lumotlarni chiqaradi.
Murakkab sahifa tuzilmasini aniqlash: ko‘p ustunli gazetalar, keng moliyaviy jadvallar, qo‘lda yozilgan qaydlar, murakkab matritsali formulalar, muhr bilan to‘silgan hujjatlar kabi yetti turdagi keng tarqalgan holatni qo‘llab-quvvatlaydi.
Rasmni avtomatik to‘g‘rilash: aylantirilgan yoki teskari joylashtirilgan hujjatlarni avtomatik aniqlaydi va to‘g‘rilaydi, inson aralashuvi talab qilinmaydi.
Sahifalararo kontentni birlashtirish: uzun hujjatlardagi sahifalararo ma’lumotlarni birlashtirib chiqaradi va biznes tizimlari chaqiruvlariga moslashadi.
Tahlil sifatini baholash (Jev): istalgan OCR tizimi tahlil natijasiga 0–1 oralig‘ida sifat ballini beradi va natijaning ishonchliligini baholaydi.
Inson tekshiruviga yo‘naltirish: ball chegarasiga ko‘ra natijalarni avtomatik ajratadi, yuqori balli natijalarni tekshiruvsiz tizimga kiritadi, past ballilarni esa inson tekshiruviga yuboradi va tekshiruv ish hajmini sezilarli kamaytiradi.
Bir nechta model orasidan eng yaxshisini tanlash: bir nechta model tahlilidan so‘ng Jev har bir hududni baholab, eng yaxshi kombinatsiyani tanlaydi; umumiy ball eng ko‘pi bilan 0.25 ga oshadi.
Muhim ma’lumotlarni ajratib olish (KIE): muhr bilan to‘silgan hujjatlar, cheklar kabi holatlardan muhim maydon ma’lumotlarini ajratib oladi.

WeChat’da kuzatib boring va “开源” deb javob yuborib, AI ochiq kodli loyihalar guruhiga qo‘shiling
Kuchli baza: MiniCPM-V 4.6 multimodal modeli asosida o‘qitilgan. MiniCPM-V/o seriyasida to‘plangan katta hajmdagi, yuqori sifatli hujjatlarni dastlabki o‘qitish ma’lumotlaridan qayta foydalanadi. Shu sababli model OCR bo‘yicha maxsus o‘qitishdan oldin ham tasvir va hujjatlarni tushunish bo‘yicha mustahkam qobiliyatga ega bo‘ladi, o‘qitish esa aniqlik va strukturaga keltirilgan chiqishga yo‘naltirilishi mumkin.
Puxta arxitektura: LLaVA-UHDv4 samarali vizual bo‘laklash sxemasidan foydalanib, hisoblash hajmining yuqori aniqlikdagi tasvir o‘lchami bilan birga ortib ketishining oldini oladi; avtomatik Upright va moslashuvchan Upsize dizaynlarini birlashtiradi.
Ma’lumotlarni sintez qilish va mustahkamlovchi o‘qitish: ko‘plab real holatlardan boshlang‘ich ma’lumotlar to‘planadi va Agentic sintezi orqali keng miqyosda kengaytiriladi; bunda real xususiyatlar va xilma-xillik saqlanadi. Keyin real murakkab holatlar asosida katta miqyosdagi mustahkamlovchi o‘qitish o‘tkazilib, kam uchraydigan namunalarni tahlil qilish sifati oshiriladi.
DSpark dekodlash tezlashtirishi: yengil qoralama modul bir marta bir nechta nomzod tokenlarni taklif qiladi, asosiy model esa ularni bir martada parallel tekshiradi. Bu tokenlarni ketma-ket yaratish o‘rnini bosib, sifatni yo‘qotmagan holda uchdan uchigacha samaradorlikni 55% ga oshiradi.
Jev tezkor fikrlash asosidagi baholash yo‘nalishi: System-1 dizaynidan foydalanadi, bir martalik oldinga yo‘nalgan prefill hisoblashni bajaradi va autoregressiv dekodlashdan foydalanmaydi. Shu sababli kechikish juda past bo‘lib, uni tez-tez amalga oshiriladigan sifat nazorati eshigi sifatida qo‘llash mumkin; real inson belgilagan blok darajasidagi to‘g‘rilik yorliqlari asosida o‘qitilgani uchun ballni bevosita biznes chegarasi sifatida ishlatish mumkin.

Mahalliy joylashtirish va inferensiya: model og‘irliklarini Hugging Face CLI orqali yuklab oling (openbmb/MiniCPM-OCR-1.0 yoki openbmb/MiniCPM-OCR-Jev).
Inferensiya freymvorkini o‘rnating (birinchi bosqichda vLLM, SGLang, llama.cpp, Ollama qo‘llab-quvvatlanadi; ehtiyojga ko‘ra ulardan birini tanlang. OpenBMB seriyasi modellari uchun umumiy ishga tushirish usuli: vllm serve openbmb/<模型名> --port 8000).
Uskunaga mos kvantlash versiyasini tanlang. Bir nechta chip va kvantlash formatlari qo‘llab-quvvatlanadi; qurilmada yoki hisoblash quvvati cheklangan muhitda GGUF/INT4 versiyasidan foydalanish mumkin.
Hujjat tasvirini kiriting, model to‘g‘rilash, sahifa tuzilmasini tahlil qilish va strukturaga keltirilgan tahlilni avtomatik bajaradi hamda Markdown yoki maydonlarga ajratilgan natijani chiqaradi.

Ikki mezonda SOTA aniqlik: Real5-OmniDocBench’da 93.68 ball, OCRBench v2’da 54.7 ball (keyingi eng yaxshi natijadan 7.7 ball yuqori); 14 ta yetakchi modelni 6 ta mezon bo‘yicha taqqoslashda 4 ta birinchi o‘rin.
Yuqori samaradorlik: DSpark dekodlash tezlashtirishi uchdan uchigacha samaradorlikni 55% ga oshiradi, o‘tkazuvchanlik 1.217 sahifa/soniyaga yetadi. U samaradorlik va natija nuqtalari diagrammasidagi “eng tez + eng aniq” yagona modeldir.
Juda yengil: atigi 1.3B parametr bilan kattaroq modellarni ortda qoldiradi, qurilmada va hisoblash quvvati cheklangan muhitlarda ishlaydi hamda maxfiylik talablarini qondirish uchun mahalliy ravishda ishga tushirilishi mumkin.
Natija ishonchli va baholanadigan: Jev sohadagi ilk OCR sifat nazorati modeli bo‘lib, AUROC 93.6 natijasi bilan 35B darajadagi baholash modellaridan ustun turadi va “qaysi sahifani inson tekshirishi kerakligi”ni birinchi marta oldindan aniqlash imkonini beradi.
Sifat nazorati uchun darhol foydalanish mumkin: Jev muayyan OCR tizimiga bog‘lanmagan. GLM-OCR, PaddleOCR-VL va boshqa tizimlarda AUROC 91.9~93.4 oralig‘ida barqaror.

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

Moliyaviy hujjatlarni qayta ishlash: bank ko‘chirmalari, cheklar va to‘lov kvitansiyalarini avtomatik aniqlash va strukturaga keltirib kiritish. Jev sifat nazoratidan so‘ng yuqori balli hujjatlar to‘g‘ridan-to‘g‘ri tizimga kiritilib, bank xodimlarining qo‘lda kiritish ishini kamaytiradi.
Huquqiy shartnomalarni ko‘rib chiqish: yuridik firmalar va huquq bo‘limlari shartnoma matnlarini ommaviy ravishda tahlil qiladi. Mahalliy ishga tushirish hujjatlarning tashqi muhitga chiqmasligini ta’minlaydi, Jev bilan birgalikda sahifalarning 85% gacha bo‘lgan qismini tekshiruvsiz qabul qilib, tekshiruv vaqtini sezilarli qisqartiradi.
Tibbiy kartalarni raqamlashtirish: shifoxonalar qog‘oz tibbiy kartalar va tahlil hisobotlarini strukturaga keltirilgan elektron ma’lumotlarga aylantiradi; xususiy joylashtirish bemorlar maxfiyligi va muvofiqlik talablarini qondiradi.
Davlat arxivlarini boshqarish: rasmiy hujjatlar, guvohnomalar va muhrlangan fayllarni aniqlash hamda muhim ma’lumotlarni ajratib olish (KIE), muhr bilan to‘silgan muhim maydonlarni avtomatik ajratib oladi.