MiniCPM-OCR 1.0 nimmt sich eine der mühsamsten Aufgaben der Dokumentenarbeit vor: Scans, mit dem Handy fotografierte Seiten und PDFs in nutzbaren Text zu verwandeln. Am 28. Oktober 2026 haben ModelBest und die OpenBMB-Open-Source-Community die MiniCPM-OCR-Suite auf GitHub quelloffen veröffentlicht. Das Hauptmodell ist MiniCPM-OCR 1.0 mit 1,3 Milliarden Parametern, ergänzt um MiniCPM-OCR Jev, ein Beurteilungsmodell, das Erkennungsergebnisse bewertet; Code, Dokumentation und Modellgewichte stehen alle unter der Apache-2.0-Lizenz.
Ein Modell liest, das andere prüft das Gelesene
MiniCPM-OCR 1.0 basiert auf MiniCPM-V 4.6 und verarbeitet chinesische und englische Dokumente. Es deckt Text, Tabellen, Formeln, Diagramme, Siegel und die Extraktion von Schlüsselinformationen ab, und die Ausgabe lässt sich zu Markdown zusammenfügen. Die Pipeline beginnt mit PP-DocLayoutV3 für Layoutanalyse, das Zuschneiden von Regionen und die Lesereihenfolge, schickt die Regionen dann parallel an das Modell zur Erkennung und führt die Ergebnisse schließlich zusammen. Jev kommt mit nur zwei Milliarden Parametern aus, nimmt Originalbild und Erkennungsergebnis entgegen und gibt einen Qualitätswert von 0 bis 1 zurück. Nutzer können so verdächtige Bereiche gezielt prüfen, statt ein ganzes Dokument erneut zu lesen; Jev kann auch die Ausgaben anderer Parsing-Modelle bewerten.
Die offiziellen Benchmark-Werte sind hoch, doch der echte Einsatz braucht einen eigenen Test
Nach den von den Entwicklern veröffentlichten Zahlen erreicht MiniCPM-OCR 1.0 93,68 Punkte auf Real5-OmniDocBench, einem Benchmark für reales Dokumenten-Parsing, und 54,7 Punkte auf OCRBench v2. Auf einer Nvidia RTX 5090 verbessert sich mit DSpark-Decoding-Beschleunigung die End-to-End-Effizienz um 55 Prozent, der Durchsatz liegt bei etwa 1,2 Seiten pro Sekunde — rund das 1,49-Fache von PaddleOCR-VL-1.6 und das 3,62-Fache von MinerU2.5 Pro. Jev erreicht auf JevOCRBench einen AUROC-Wert von 93,6 und nähert sich damit nach Angaben der Entwickler den 93,8 von Qwen3.5-397B-A17B an. Das sind eigene Messungen der Herausgeber, und die Werte hängen vom Evaluierungssetup ab. Ob das Modell wirklich in einen Produktionsablauf gehört, entscheidet letztlich die Leistung auf den eigenen Dokumenten — Scanqualität, Layoutkomplexität und der Anteil an Handschrift vergrößern die Unterschiede. Die Hürde zum Ausprobieren ist immerhin niedrig: Ab dem ersten Tag werden vLLM, SGLang, llama.cpp und Ollama unterstützt, dazu gibt es ein pip-SDK, eine vollständige API und eine Online-Demo. Ein paar echte Dateien durchlaufen zu lassen, sagt mehr als Benchmark-Werte allein.
