把扫描件、随手拍的文档丢给 OCR，出来的文字看着都对，可表格里少了一行、公式里错了一个下标，等你发现时已经贴进报告里了。问题在于，OCR 从来不告诉你它哪里没把握。
MiniCPM-OCR 是 OpenBMB 开源的一套文档解析模型，10 月 27 日上线，Apache-2.0 协议，764 个 star。它其实打包了两件事：一个 1.3B 参数的 MiniCPM-OCR 1.0 负责把文档转成文字、表格、公式、图表和印章，另一个 2B 参数的 MiniCPM-OCR Jev 专职判断这段结果可不可信。
MiniCPM-OCR 仓库首页，1.0 与 Jev 两个模型挂在一起
Jev 的用法很直接：给它图片和对应的 OCR 结果，它返回一个 0 到 1 的质量分。在 JevOCRBench 上它的 AUROC 达到 93.6，比 35B 的 JEV-35B-A3B（90.1）还高，接近 397B 的 Qwen3.5-397B-A17B（93.8）。而且它不是只认自家的输出：对 MiniCPM-OCR 1.0、GLM-OCR、PaddleOCR-VL-1.6、Xiaomi-OCR-0 四种解析结果，AUROC 落在 91.9 到 93.4 之间。
中文文档解析示例，手写笔记、复杂公式、报纸、票据与盖章件
这条路上值得记的有三点。
第一，有了质量分，全量人工复核可以变成只复核可疑块。项目画了法律文书、财务票据、复杂文档三类在不同免复核率下的准确率曲线，但阈值要先拿你自己场景的一小批数据试出来，别照抄。
第二，全面不等于慢。1.0 在 Real5-OmniDocBench 上拿到 93.68，OCRBench v2 得 54.7；配合 DSpark 解码加速，端到端效率提升 55%，吞吐大约 1.2 页每秒，是 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。
Jev 给文本、公式、表格分别打分，可疑处被点出来
第三，落地路径是现成的。vLLM、SGLang、llama.cpp、Ollama 在发布当天就支持，另有 pip 包 minicpm-ocr 和一整套 API；权重在 HuggingFace 和 ModelScope 都有，国内拉 ModelScope 更稳。不想先折腾环境，可以直接用在线体验平台传一张图看效果。
几个关键数字：1.3B、2B、93.68、93.6、1.2 页每秒
需要说明的是，它擅长的是扫描件、拍照、弯曲页面、倾斜和翻拍这类难搞的输入，本地部署要有一张跑得动 1.3B 模型的显卡；只是想试效果，先用在线体验平台更省事。也别指望它救得回本来就糊掉的老扫描件——判分模型能告诉你哪里不可信，但补不回已经丢失的信息。
你平时最想把哪类文档交给 OCR？票据、合同，还是孩子手写的作业？