OpenBMB выпустила первый специализированный набор OCR-моделей MiniCPM-OCR: базовая модель на 1,3 млрд параметров распознает текст, таблицы, формулы и печати, а отдельная модель MiniCPM-OCR-Jev на 2 млрд параметров автоматически оценивает корректность распознавания и помечает сомнительные участки для ручной проверки. Параллельно Baidu выпустила Unlimited-OCR 2 примерно на 3 млрд параметров: механизм SR-SWA сжимает внимание к 512 опорным токенам, поэтому цена шага декодирования почти не растет с длиной документа. Обе модели открыты вместе с кодом и серверным стеком, так что локальный конвейер разбора PDF со встроенной проверкой качества можно собрать уже сегодня.

image
image
image

Что произошло

OpenBMB опубликовала на Hugging Face коллекцию MiniCPM-OCR. Базовая MiniCPM-OCR 1.0 построена на MiniCPM-V 4.6 (SigLIP и Qwen3.5) и содержит 1,3 млрд параметров; она распознает текст, таблицы, формулы и печати и, по данным разработчиков, набирает 93,68 балла на Real5-OmniDocBench. Ускорение DSpark повышает пропускную способность на 55%, до 1,2 страницы в секунду на RTX 5090; скорость заявлена в 1,49 раза выше, чем у PaddleOCR-VL-1.6, и в 3,62 раза выше, чем у MinerU2.5 Pro. Отдельная модель MiniCPM-OCR-Jev на 2 млрд параметров на базе Qwen3.5-2B проверяет корректность OCR-результата, включая вывод посторонних парсеров, и получает 0,936 AUROC на JevOCRBench. Baidu 27–28 октября 2026 года выпустила Unlimited-OCR 2 примерно на 3 млрд параметров под лицензией MIT: на 100-страничных тестах отдельные шаги декодирования проходят до 7 раз быстрее полного внимания и до 5,6 раза быстрее, чем у Unlimited-OCR 1.0.

Контекст

Оба релиза отвечают на давние проблемы document AI. Первая — контроль качества: распознанный текст всегда содержит ошибки, и промышленные конвейеры тратят много человеческого времени на проверку спорных мест, поэтому OpenBMB выделила эту работу в отдельную модель-судью; метрика AUROC выбрана методологически уместно, поскольку это порогонезависимый показатель, подходящий для задачи разделения надежных и сомнительных фрагментов. Вторая проблема — квадратичный рост стоимости внимания: чем длиннее документ, тем дороже каждый шаг декодирования у классических трансформеров, из-за чего многостраничные документы обычно обрабатывают по частям и теряют кросс-страничный контекст. Механизм SR-SWA решает это сжатием внимания к фиксированному набору опорных токенов, удерживая цену шага почти постоянной. Наконец, важна размерность: модели в 1,3–3 млрд параметров достаточно компактны, чтобы работать на локальном железе, что и делает такие релизы ориентированными на реальный деплой, а не на витринные демонстрации.

Почему это важно для индустрии

Для отрасли оба релиза меняют прежде всего экономику document AI. Класс моделей-судей делает контроль качества частично автоматическим: надежные фрагменты конвейер принимает сам, и на людей уходит только сомнительный остаток — это напрямую снижает стоимость контроля в промышленных OCR-конвейерах. SR-SWA убирает квадратичный рост стоимости внимания на многостраничных документах, поэтому разовый парсинг сотен страниц становится экономически оправданным без потери кросс-страничного контекста, а длинный документ перестает быть отдельным дорогим случаем. Вместе это приближает коммодитизацию распознавания документов: открытые малые модели дают бенчмарк-уровень качества, разбор документов превращается в самостоятельный продукт, доступный стартапам и небольшим командам, а ценность смещается к доверию к извлеченным данным, предметным дообучениям и связке с агентными процессами. Если независимые воспроизведения подтвердят заявленные метрики, паттерн «парсер плюс судья качества» с высокой вероятностью станет стандартным блоком промышленных конвейеров, аналогичные судьи появятся и у других разработчиков, а схемы сжатия внимания вроде SR-SWA, вероятно, перенесутся на другие длинноконтекстные задачи мультимодальных моделей.

Почему это важно для пользователей

Практически значимо то, что все компоненты доступны уже сегодня. MiniCPM-OCR выложена на Hugging Face в форматах BF16, GGUF, AWQ и GPTQ и работает под vLLM, SGLang, llama.cpp и Ollama, а для Unlimited-OCR 2 опубликованы код, SGLang-сервер и интерактивное демо на Hugging Face Spaces. Это позволяет развернуть локальный парсинг PDF и сканов с таблицами и формулами на одной потребительской GPU и подключить Jev как автоматический слой проверки качества перед тем, как распознанный текст пойдет дальше в обработку. Разумный первый шаг — не сразу заменять текущий парсер, а запустить shadow-режим: прогнать реальный поток документов через обе модели и судью, сравнить результаты на собственных данных и лишь затем выбирать стек для продакшна.

Что пока неизвестно / ограничения

Все ключевые цифры обоих релизов — результаты на Real5-OmniDocBench и JevOCRBench, ускорения DSpark и SR-SWA, сравнения производительности с PaddleOCR-VL-1.6, MinerU2.5 Pro и Unlimited-OCR 1.0 — приведены разработчиками в релизных материалах, независимой верификации в источниках нет. Методологии оценки, включая протоколы тестирования, версии сравниваемых моделей и научные публикации, в материалах не раскрыты, поэтому корректность заявленных сравнений пока проверить нельзя. Поскольку веса обеих моделей открыты, независимые воспроизведения следует ожидать в ближайшее время; до тех пор к заявленным метрикам разумно относиться как к данным вендора.

Источники

Автор

Look at AI, редакция