Was ist MiniCPM-OCR 1.0?
MiniCPM-OCR 1.0 ist das erste speziell für OCR gebaute Modell der Familie MiniCPM-V von OpenBMB, Ende Oktober 2026 von OpenBMB und ModelBest unter Apache 2.0 veröffentlicht. Es hat 1,3 Milliarden Parameter, einen SigLIP-Vision-Encoder mit einem Sprachmodell Qwen3.5, und wurde auf Basis von MiniCPM-V 4.6 für OCR trainiert. Es liest chinesischen und englischen Text, Tabellen, Formeln, Diagramme und Siegel und extrahiert benannte Felder als JSON.
Es ist für den Betrieb in einer Pipeline gebaut, nicht für den Alleingang. Das SDK minicpm-ocr nimmt ein PDF oder Bild, findet Bereiche mit Baidus Layoutmodell PP-DocLayoutV3, schickt jeden Ausschnitt an den Erkennungsserver und setzt Markdown und JSON in Lesereihenfolge wieder zusammen. Ein optionales Draft-Modell DSpark beschleunigt das Dekodieren, und quantisierte Builds in GGUF, AWQ und GPTQ erschienen am selben Tag.
Zusammen damit veröffentlichte OpenBMB MiniCPM-OCR Jev, ein 2B-Modell, das die Ausgabe jedes OCR-Systems mit dem Quellbild abgleicht und die Konfidenz bewertet, sodass zweifelhafte Seiten an einen Menschen gehen können. ModelBest bietet außerdem eine kostenlose gehostete API zum Parsen von Dokumenten an.
Lohnt sich MiniCPM-OCR 1.0?
Bei MiniCPM-OCR 1.0 geht es um Geschwindigkeit bei einer Genauigkeit nahe der Spitze, nicht um einen einzelnen Siegerwert. In OpenBMBs Durchsatztest auf einer RTX 5090 über alle 1.651 Seiten von OmniDocBench v1.6 parste es mit DSpark 1,217 Seiten pro Sekunde, gegenüber 1,179 für GLM-OCR, 0,818 für PaddleOCR-VL-1.6, 0,724 für Xiaomi-OCR-0 und 0,246 für Unlimited-OCR 2. Mit acht Seiten parallel erreichte es 2,133 Seiten pro Sekunde.
Bei der Genauigkeit führt es auf vier der sechs Benchmarks in OpenBMBs Tabelle, darunter 93,68 auf Real5-OmniDocBench gegenüber 93,19 für PaddleOCR-VL-1.6, 92,39 auf Wild-OmniDocBench und 54,7 auf OCRBench v2, wo das nächstbeste Modell, Nanonets-OCR-s, 47,4 erreicht. Auf dem Standard-OmniDocBench v1.6 liegt es mit 96,51 hinter TeleOCR mit 96,91, Xiaomi-OCR-0 mit 96,83 und OvisOCR2 mit 96,58, und chandra-ocr-2 schlägt es auf olmOCR-Bench mit 85,8 zu 82,7. Jeder Wert, auch die der Konkurrenz, stammt aus OpenBMBs eigenen Läufen, wobei OpenBMB eine Anleitung zum Nachvollziehen veröffentlicht.
Der vierte Benchmark sticht heraus. Auf CHAOS-Bench erreicht es 29,78, wo das nächstbeste Modell, TeleOCR, auf 21,28 kommt und die meisten Konkurrenten unter 15 liegen. CHAOS-Bench ist neu, und der Abstand ist so groß, dass man eine externe Prüfung abwarten sollte, bevor er eine Kaufentscheidung beeinflusst.
Die Pipeline ist der Kompromiss. Das Parsen ganzer Seiten hängt von PP-DocLayoutV3 ab, einem separaten Modell, das das SDK herunterlädt und dessen Beispiele eine NVIDIA-GPU voraussetzen. Die Angabe 1,3B unterschätzt also, was du tatsächlich einsetzt. SDK und Erkennungsserver laufen in getrennten Python-Umgebungen, und DSpark funktioniert nur mit dem Draft-Modell aus demselben Release.
Das Begleitmodell Jev ist der ungewöhnlichere Teil des Starts. Es bewertet Text, Formeln und Tabellen eines anderen Parsers anhand des Seitenbilds, was sich eignet, um Seiten mit niedriger Konfidenz an eine menschliche Prüfung zu leiten; OpenBMBs Angabe, es komme auf dem eigenen JevOCRBench an Qwen3.5-397B-A17B heran, wurde anderswo nicht getestet.
Wo es sich lohnt
Ein Datenplattform-Team bei einer Bank, das einen Rückstand gescannter Kreditakten digitalisiert
Millionen Seiten auf eigenen GPUs in Markdown und JSON parsen
Betreibe das BF16-Modell mit seinem DSpark-Draft in vLLM und richte das SDK mit erhöhter Parallelität für Seiten und Bereiche darauf. OpenBMBs Wert von 2,133 Seiten pro Sekunde bei Parallelität 8 ergibt etwa 7.700 Seiten pro Stunde und RTX 5090, bevor die Layouterkennung zum Engpass wird.
Ein Operations Lead bei einem Versicherer, der Schadensformulare mit Stempeln und Handschrift prüft
Nur zweifelhafte Seiten an einen menschlichen Prüfer schicken
Parse mit MiniCPM-OCR 1.0, einschließlich des Prompts 'Seal Recognition:' für Stempel, bewerte dann jedes Ergebnis mit MiniCPM-OCR Jev und akzeptiere automatisch oberhalb einer Schwelle, die du an deinen eigenen Dateien kalibrierst. Jev funktioniert auch mit anderen Parsern und kann so ein bestehendes OCR-System prüfen.
Ein Entwickler bei einem Startup mit fünf Personen, das einen Prototyp für die Rechnungsextraktion baut
Dokument-Parsing testen, bevor GPUs gekauft werden
Probiere die kostenlose ModelBest-API oder den Hugging Face Space und wechsle dann zum GGUF-Build unter llama.cpp auf einer Workstation. Da Kontingente und Datenbedingungen der gehosteten API nicht veröffentlicht sind, halte Kundendokumente fern, bis sie es sind.
Bevor du dich festlegst
- Einrichtung
- pip install 'minicpm-ocr[all]' auf Python 3.10+, einen Erkennungsserver (vLLM, SGLang, llama.cpp oder Ollama) in einer separaten Umgebung starten, dann minicpmvocr parse ausführen; das SDK lädt PP-DocLayoutV3 beim ersten Einsatz herunter. OpenBMB liefert außerdem einen Agent Skill, der einen Coding-Agenten durch die Einrichtung führt.
- Integrationen
- OpenAI-kompatible Endpunkte aus vLLM oder SGLang; llama.cpp und Ollama für GGUF; FlagOS-Builds für Huawei Ascend, Kunlunxin, Moore Threads und andere chinesische Beschleuniger; Rezepte zur Feinabstimmung für LLaMA-Factory und ms-swift.
- Daten und Datenschutz
- Apache 2.0 für Gewichte, Code und Dokumentation. Selbst gehostet bleiben Dokumente auf deiner Hardware; die Bedingungen der ModelBest-API zu Aufbewahrung und Training stehen weder in der Model Card noch in der Pressemitteilung.
- Kosten im großen Maßstab
- Der BF16-Checkpoint ist 2,6 GB groß, eine Consumer-GPU reicht also; bei 1,217 Seiten pro Sekunde sind das ohne Seitenparallelität etwa 4.400 Seiten pro Stunde und RTX 5090. Das Layoutmodell bringt eigene GPU-Last mit, und die bezahlten Tarife der gehosteten API sind nicht veröffentlicht.
- Grenzen
- Chinesisch und Englisch sind die Hauptsprachen. Jedes Bild wird in höchstens 9 Abschnitte zu 448 Pixeln mit 4-facher Kompression der visuellen Tokens zerlegt; die Anleitung warnt, finish_reason auf abgeschnittene Ausgaben zu prüfen, und DSpark braucht die passenden Draft-Gewichte.
Was gut ist
- 1,217 Seiten pro Sekunde auf einer RTX 5090, das schnellste in OpenBMBs Test mit 15 Modellen
- 93,68 auf Real5-OmniDocBench und 54,7 auf OCRBench v2 (selbst gemeldet)
- Builds in GGUF, AWQ und GPTQ sowie vLLM, SGLang, llama.cpp und Ollama zum Start
- Apache 2.0, mit einem 2B-Prüfmodell zur Weiterleitung an menschliche Prüfung
Was nicht
- Auf OmniDocBench v1.6 hinter TeleOCR, Xiaomi-OCR-0 und OvisOCR2
- Alle Vergleichszahlen stammen aus OpenBMBs eigenen Läufen
- Parsen ganzer Seiten braucht ein separates Layoutmodell, in den Beispielen auf GPU
- Kontingente und Aufbewahrungsbedingungen der gehosteten API nicht veröffentlicht
Am besten für
Teams, die große Mengen chinesischer oder englischer Dokumente auf eigenen GPUs parsen und denen Seiten pro Stunde ebenso wichtig sind wie der letzte Punkt Genauigkeit.
Alternativen zu MiniCPM-OCR 1.0
MiniCPM-OCR 1.0: häufige Fragen
- Lohnt sich MiniCPM-OCR 1.0?
- MiniCPM-OCR 1.0 verbindet eine Parsing-Genauigkeit nahe der Spitze mit dem höchsten Durchsatz im Test des Herstellers mit 15 Modellen. Wenn die Zahlen halten, ist es damit die praktische Wahl unter den kleinen OCR-Modellen. Wir bewerten es mit 4.3 von 5.
- Was kostet MiniCPM-OCR 1.0?
- Kostenlos unter Apache 2.0. ModelBests gehostete API zum Parsen von Dokumenten wird als kostenlos beworben; Kontingente und bezahlte Tarife nicht veröffentlicht.
- Welche Nachteile hat MiniCPM-OCR 1.0?
- Auf OmniDocBench v1.6 hinter TeleOCR, Xiaomi-OCR-0 und OvisOCR2; Alle Vergleichszahlen stammen aus OpenBMBs eigenen Läufen; Parsen ganzer Seiten braucht ein separates Layoutmodell, in den Beispielen auf GPU; Kontingente und Aufbewahrungsbedingungen der gehosteten API nicht veröffentlicht.
- Für wen eignet sich MiniCPM-OCR 1.0?
- Teams, die große Mengen chinesischer oder englischer Dokumente auf eigenen GPUs parsen und denen Seiten pro Stunde ebenso wichtig sind wie der letzte Punkt Genauigkeit.
- Was kostet MiniCPM-OCR 1.0 für ein Team oder im Produktivbetrieb?
- Der BF16-Checkpoint ist 2,6 GB groß, eine Consumer-GPU reicht also; bei 1,217 Seiten pro Sekunde sind das ohne Seitenparallelität etwa 4.400 Seiten pro Stunde und RTX 5090. Das Layoutmodell bringt eigene GPU-Last mit, und die bezahlten Tarife der gehosteten API sind nicht veröffentlicht.
- Ist MiniCPM-OCR 1.0 sicher für Firmendaten?
- Apache 2.0 für Gewichte, Code und Dokumentation. Selbst gehostet bleiben Dokumente auf deiner Hardware; die Bedingungen der ModelBest-API zu Aufbewahrung und Training stehen weder in der Model Card noch in der Pressemitteilung.
- Was sind die besten Alternativen zu MiniCPM-OCR 1.0?
- Die nächsten Alternativen, die wir getestet haben, sind PaddleOCR-VL-1.6, Xiaomi-OCR-0, Surya OCR 2.5 und Mistral OCR 4.1.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst MiniCPM-OCR 1.0? Zeig diese Bewertung auf deiner Website
