รีวิว MiniCPM-OCR — โมเดล OCR ตัวเล็กจาก OpenBMB อ่านเอกสารได้แม่น พร้อมตัวช่วยบอกจุดที่ต้องตรวจ

คืออะไร

MiniCPM-OCR คือชุดโมเดล (family of models) จากทีม OpenBMB สำหรับ document parsing และ text recognition มี 2 ตัวหลัก:

• MiniCPM-OCR 1.0 (ขนาด 1.3B) เป็นโมเดล OCR ตัวแรกในตระกูล MiniCPM-V/o แปลงเอกสารจีนและอังกฤษทั้งไฟล์ PDF, scan, ภาพถ่าย, เอกสารหน้าโค้ง, หน้าเอียง และเอกสารที่ถ่ายซ้ำ (recaptured) ครอบคลุมข้อความ ตาราง สูตร กราฟ ตราประทับ และการดึงข้อมูลแบบ structured (KIE)
• MiniCPM-OCR Jev (ขนาด 2B) เป็น "OCR correctness decision model" รับภาพกับผล OCR แล้วให้คะแนนคุณภาพ 0 ถึง 1 ระดับ region เพื่อแยกจุดที่น่าเชื่อออกจากจุดที่ควรตรวจซ้ำ ใช้ร่วมกับโมเดล parsing ตัวไหนก็ได้

repo นี้ตอนนี้มี 721 stars และ 47 forks (ข้อมูล ณ 1 พ.ย. 2026)

จุดเด่น

• ตามที่ README อ้าง (ข้อมูลจากทีมผู้พัฒนา): คะแนน SOTA 93.68 บน Real5-OmniDocBench และ 54.7 บน OCRBench v2 พร้อมผลนำบน OmniDocBench v1.6, Wild-OmniDocBench และ olmOCR-Bench โดยใช้ 1.2 pages/s
• ด้านความเร็ว ด้วย DSpark decoding acceleration (DSpark-BF16 และ DSpark-GGUF) อ้างว่าเพิ่มประสิทธิภาพ end-to-end ขึ้น 55% และ throughput ประมาณ 1.49x ของ PaddleOCR-VL-1.6 และ 3.62x ของ MinerU2.5 Pro
• รองรับ vLLM, SGLang, llama.cpp และ Ollama ตั้งแต่วันแรกที่ปล่อย มีเวอร์ชัน quantized ให้ครบ (BF16, GGUF, AWQ, GPTQ) และรองรับ fine-tune ต่อได้
• มี pip SDK, Free API สำหรับทดลอง และ SKILL.md ให้ coding agent เซ็ตอัพให้ตั้งแต่ติดตั้งจน parse เอกสารชิ้นแรก
• MiniCPM-OCR Jev ขนาด 2B อ้างว่าได้ AUROC (x100) 93.6 บน JevOCRBench ชนะ JEV-35B-A3B (90.1) และใกล้เคียง Qwen3.5-397B-A17B (93.8) และเมื่อใช้กับผลจากหลายโมเดล parsing AUROC อยู่ช่วง 91.9 ถึง 93.4

เหมาะกับใคร

• คนที่มีเอกสารหรือ PDF จีน-อังกฤษเยอะ อยากแปลงเป็น Markdown/JSON ไว้ทำ knowledge base หรือเป็นอินพุตให้ RAG
• คนที่ไม่อยากตรวจผล OCR เอง อยากให้ Jev ช่วยให้คะแนนเพื่อคัดกรองบริเวณที่ต้องหยิบมาตรวจ
• คนที่มี GPU อยาก deploy เอง หรืออยากเริ่มจาก Free API / online Demo ก่อน
• คนที่ใช้ coding agent อยู่แล้ว อยากให้ agent ลงมือติดตั้งให้ทั้งชุดผ่าน SKILL.md

เริ่มต้นใช้งาน

README แนะนำวิธีที่ง่ายที่สุดคือส่งข้อความนี้ให้ coding agent ของคุณ แล้วมันจะอ่าน skill แล้วทำต่อให้ทั้งหมด:

Read and execute https://github.com/OpenBMB/MiniCPM-OCR/blob/main/docs/SKILL_en.md

ถ้าจะ deploy โมเดลให้คะแนน MiniCPM-OCR Jev ให้ส่งอันนี้:

Read and execute https://github.com/OpenBMB/MiniCPM-OCR/blob/main/docs/SKILL_jev_en.md

ถ้า clone repo ไว้แล้ว สามารถใช้ ./docs/SKILL_en.md และ ./docs/SKILL_jev_en.md ตรงๆ ได้ ทางเลือกอื่นคือลองผ่าน online Demo (CN/Global) หรือใช้ Free API ก่อน แล้วค่อยตาม local deployment tutorial ใน docs ของ repo

ข้อควรรู้

• License: Apache License 2.0 ครอบคลุมทั้ง code, docs และ model weights ของทั้ง MiniCPM-OCR 1.0 และ Jev ตามที่ README ระบุ (ถ้าจะใช้เชิงพาณิชย์ ควรอ่านเงื่อนไข license ด้วยตัวเองอีกที)
• ความสดใหม่: repo สร้าง 27 ต.ค. 2026 และ push ล่าสุด 30 ต.ค. 2026 อายุเพียงไม่กี่วัน ถือว่าเพิ่งเปิดตัวใหม่มาก คาดว่า docs และการใช้งานจะยังเปลี่ยนแปลงบ่อย (มี open issues อยู่ 2 เรื่อง)
• คำว่า "SOTA" และตัวเลข benchmark ทั้งหมดที่เอ่ยถึงในบทความนี้มาจาก README ของเจ้าของ repo โดยตรง ซึ่งทีมผู้พัฒนามี reproduction guide ให้ทดสอบซ้ำได้ แนะนำให้ลองกับเอกสารจริงของงานคุณเองด้วย โดยเฉพาะ Jev ที่ README เองก็เตือนว่าควรใช้ batch เล็กๆ จากงานจริงเพื่อหา threshold ก่อนนำไปใช้

🔗 https://github.com/OpenBMB/MiniCPM-OCR

ข้อมูลจาก GitHub ณ 1 พ.ย. 2026: ⭐ 721 | ภาษา TypeScript | license Apache-2.0