MiniCPM-OCR 1.0は、面壁智能（OpenBMB）が公開した13億パラメータのOCR専用モデルで、スキャン、撮影、湾曲、傾きのある文書をローカルで解析し、MarkdownまたはJSONで出力することに適しています。汎用チャットモデルではありません。まず自分のマシンと用途が合うか確認してから、SDK、Docker、無料APIのどれで始めるか決めましょう。
用途を先に合わせてから、入口を選ぶ
- スキャン文書、再撮影した文書、湾曲・傾斜した紙文書が主戦場です。普通のきれいな電子文書には必ずしも必要ありません。
- コード、重み、ドキュメントはすべてApache 2.0ライセンスです。重みはHugging Face、コードはGitHubにあり、国内ではModelScopeも利用できます。
- 同シリーズには20億パラメータのMiniCPM-OCR Jevもあり、こちらは品質チェックの採点のみで文字認識は行いません。重みを間違えてダウンロードしないようにしましょう。
- 初日からvLLM、SGLang、llama.cpp、Ollamaの4つの推論フレームワークに対応しており、対応を待つ必要はありません。
ローカルで動かすには、2つの環境を用意する
- SDK環境を入れる：レイアウト検出と文書組み立てを担当します。pipパッケージ名はminicpm-ocr、コマンドラインツールはminicpmvocrです。
- 推論サービス環境を起動する：認識モデルが実際に動く場所です。2つの環境は分け、1つの環境に混ぜて入れないようにしましょう。
- 手軽に済ませたいならDockerイメージを使います。2026年11月5日に公開されたイメージには重み、SDK、vLLMが含まれています。必要なのはLinux x86-64、NVIDIA GPU、CUDA 12.9対応ドライバ、NVIDIA Container Toolkitです。
- 実行後は結果をMarkdownまたはJSONで保存し、ターミナルで一度見るだけでなく、後から検索・保管できるようにしましょう。
モバイルにも軽量な使い方があります。2026年11月2日から、iOS版は完全オフラインでローカル解析が可能になりました。現時点ではiOSのみで、Androidユーザーはこの方法を待たない方がよいでしょう。
境界を先に明確にしておきます。このモデルが解決するのは文書認識だけです。質問への回答、翻訳、書き換えは別のモデルに任せる必要があります。無料APIでまず効果を試すのはよいですが、正式なバッチ処理にはローカルデプロイがおすすめです。処理の流れもデータも自分の手元に置いておけます。
