OpenBMB、1.3BのOCR特化モデルMiniCPM-OCR 1.0を公開

OpenBMBは、MiniCPM-V/oファミリー初のOCR特化モデルopenbmb/MiniCPM-OCR-1.0(1.3B、apache-2.0)をHugging Faceで公開しました。Real5-OmniDocBenchで93.68を記録し、DSparkデコード高速化によりエンドツーエンドの処理効率を55%改善しています。

何が新しいか

MiniCPM-OCR 1.0はopenbmb/MiniCPM-V-4.6をベースモデルとし、テキスト、表、数式、図表、印章、構造化情報の抽出を含むテキスト中心の文書理解を担います。対応するのは中国語・英語の文書とPDFで、スキャン、湾曲ページ、写真、傾斜ページ、再撮影文書を含みます。KIE(キー情報抽出)による下流の自動化にも対応します。重みはBF16に加え、DSpark版のBF16とGGUFも配布されています。

ベンチマークとスループット

項目	値
Real5-OmniDocBench	93.68
OCRBench v2	54.7
処理速度	1.2 pages/s
PaddleOCR-VL-1.6比スループット	約1.49×
MinerU2.5 Pro比スループット	3.62×
DSparkによる処理効率改善	55%

OpenBMBによると、比較したオープンソースOCRモデルの中で、OmniDocBench v1.6、Real5-OmniDocBench、Wild-OmniDocBench、olmOCR-Benchの4つを等重みで平均したスコアが最も高い結果でした。スループットはNVIDIA GeForce RTX 5090上で、OmniDocBench v1.6の全1651画像、画像レベルの同時実行数1、各システムの高速化構成で測定しています。同時実行数1は画像単位で、ページ内の領域は並列に認識されます。実際のスループットはページ内容、バックエンド、同時実行数、ハードウェアに左右されるとOpenBMBは注記しています。

試し方・対応環境

• オンラインデモ: HF Spaces、CNデモ、Globalデモ
• 推論エンジン: vLLM、SGLang、llama.cpp、Ollamaに公開初日から対応
• 配布形式: openbmb/MiniCPM-OCR-1.0-DSpark(BF16)、openbmb/MiniCPM-OCR-1.0-DSpark-gguf(GGUF)
• 量子化バリアントとマルチチップビルド、追加ファインチューニングに対応
• Free API、pip SDK、フルAPI、エージェントワークフローを提供

評価設定と再現手順は、GitHubのOpenBMB/MiniCPM-OCRリポジトリにある再現ガイドにまとめられています。