知识卡片：面壁开源 MiniCPM-OCR 系列，解析与质检双模型齐发

一句话结论

面壁智能开源 MiniCPM-OCR 1.0（1.3B）解析模型与 Jev（2B）判别模型，以“解析+质检”双模型组合在文档 OCR 基准上取得双 SOTA，并完成权重开源及多推理框架、多芯片平台的适配。

事件概述或研究问题

面壁发布开源 MiniCPM-OCR 系列，包含两个模型：面向文档解析的 MiniCPM-OCR 1.0（1.3B）与面向结果判别/质检的 Jev（2B）。该组合试图解决 OCR 场景中“识别质量”与“结果可信度校验”两个环节的问题。材料仅给出发布信息与基准成绩，未说明训练数据构成、模型架构细节与评测口径。

方法/产品要点

• MiniCPM-OCR 1.0（1.3B）：文档解析模型，参数量 1.3B。
• Jev（2B）：判别模型，用于 OCR 结果质检，配套基准为 JevOCRBench。
• DSpark：材料提及该技术使端到端效率提升 55%，但未说明其具体机制，待核实。
• 部署适配：权重开源，适配 vLLM、SGLang、Ollama 等推理框架，并完成 12 个芯片平台 Day0 适配。

主要结果或产业意义

• MiniCPM-OCR 1.0 在 Real5-OmniDocBench 取得 93.68 分、OCRBench v2 取得 54.7 分，材料称其为双 SOTA；吞吐为 1.217 页/秒。
• Jev 在 JevOCRBench 上整体 AUROC 达 93.6；在法律文书场景最高可免检 85%。
• 产业意义：以“小参数解析模型 + 独立判别模型”的组合推进 OCR 落地，并通过开源权重与多框架、多芯片适配降低部署门槛，指向文档处理流水线中“自动化质检/免检”的工程需求。

为什么重要

OCR 落地长期受限于识别结果的可靠性校验：即使识别率较高，仍需人工抽检。Jev 这类判别模型若能以较高 AUROC 支撑“免检”比例，意味着文档流水线可在特定场景（如法律文书）减少人工复核成本，这对金融、法律、政务等文档密集行业具有直接价值。同时，1.3B 级解析模型配合多芯片 Day0 适配与主流推理框架支持，降低了端侧或私有化部署的门槛。

与既有脉络的关系

本卡片为新增的 OCR/文档解析方向条目，与已有卡片（自动驾驶漏洞结构化、非洲语言语音识别、空间蛋白质组学）在任务与领域上均无重叠；本条填补的是“开源小参数 OCR 解析+质检判别模型”这一细分方向，后续若出现同系列模型版本更新或第三方复现评测，可作为本条增量。

局限与不确定性

• 材料未披露训练数据来源、模型架构、评测集构建方式与对比基线清单，SOTA 结论的复现条件待核实。
• “法律文书最高可免检 85%”的具体统计口径（样本量、文书类型、免检判定阈值）待核实。
• DSpark 的技术细节与 55% 效率提升的测量基准待核实。
• 12 个芯片平台的具体名单及 Day0 适配的实际性能表现待核实。
• 吞吐 1.217 页/秒的测试硬件与文档类型未说明。

可用于图书/PPT/简报的角度

• “解析+质检”双模型范式：OCR 从单一识别模型走向“生成+判别”组合，可作为文档智能流水线设计的案例。
• 小参数模型的落地价值：1.3B/2B 级模型配合开源与多芯片适配，适合讨论“小模型+专用场景”的产业化路径。
• 免检率作为 OCR 落地指标：以 AUROC 与免检比例衡量质检模型价值，可作为评估文档自动化 ROI 的切入点。
• 开源生态适配：vLLM/SGLang/Ollama 与多芯片 Day0 适配，可作为开源模型工程化部署的示例。

原始材料

• 标题：腾讯研究院AI速递 20261029
• URL：https://m.sohu.com/a/1094169632_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 条目：二、面壁开源MiniCPM-OCR系列，解析与质检双模型齐发
• 关键词：MiniCPM-OCR、Jev、JevOCRBench、Real5-OmniDocBench、OCRBench v2、DSpark、开源权重、Day0 适配