刚刚，国产开源AI横扫全球4项第一！1.3B逆袭大厂，OCR极限实测杀疯了

新智元报道

几周前，DeepSeek用V4.1-Flash再次告诉全世界：顶级模型，不一定要天价！

今天，轮到OCR了。

面壁智能开源的MiniCPM-OCR 1.0，只有1.3B参数，却同时拿下解析能力和效率两项第一，把一众大厂模型甩在身后。

这是MiniCPM V/o 家族首个OCR专用模型。

但这，还远不是这次发布最狠的地方。

真正打破旧秩序的，是同一天开源的另一个模型——MiniCPM-OCR Jev。

奇怪的是，作为OCR新王身边的「红人」，它竟然连一个字都不吐。不答题，只判卷。一个OCR新王，为什么要给自己配一个专职的「裁判」？

这个反常的举动，恰恰戳破了整个AI圈心照不宣的秘密。

国产OCR开源新王

1.3B小个子以小博大

如腾讯HunyuanOCR-1.5、阿里系/智谱系大模型等一众大厂模型，纷纷发力文档解析OCR领域。

在这个大模型动辄将参数堆到几百B（十亿）、算力如流水的年代，面壁智能开源了MiniCPM-OCR 1.0。它只有 1.3B 的参数，完成了一次教科书般的降维打击。

MiniCPM-OCR 1.0杀出重重包围，几乎撑爆了整个多边形的边界。

在6项核心测试中，它以碾压之势拿下了4项SOTA（业内最佳）：

• Real5-OmniDocBench：93.68（全场最高）。这可不是实验室里的高清扫描件，而是专考手机随手拍、镜头畸变、反光翻拍的「魔鬼考场」。

• Wild-OmniDocBench：92.39（全场领跑）。专治五花八门的野生真实文档，远超同量级的竞品。

• OCRBench v2：54.7（绝对压制）。在通用字符识别与关键信息抽取上，把第二名（47.0）远远甩在身后。

• CHAOS-Bench：29.78（断崖领先）。这项测试考的是忠实度，在强语义先验噪声的干扰下，模型能否忠实于图片进行识别，最终它的得分是第二名的1.4倍以上。

MiniCPM-OCR 1.0晋升为开源OCR新王。

一手实测，「地狱级」文档全通关

MiniCPM-OCR 1.0文档解析能力一骑绝尘，支持中英双语文档与 PDF 解析，兼顾标准文档和复杂采集条件，在扫描、弯曲、拍照、倾斜及翻拍等场景下保持稳定表现。

话不多说，咱们先来上实测，看看这个MiniCPM-OCR究竟有多能打？

比如国外网友手写的剧本，几乎秒杀：

再比如，多字体的英文识别，也轻松拿下。

再比如，我们生活中常见的发票，到底有多难认？

红色表格线、两枚压字的印章、密密麻麻的数字和乱码，几乎集齐了文档识别的所有「坑」。

MiniCPM-OCR 1.0的答卷是：结构一层没塌。

购买方、销售方、密码区左右分栏，合并单元格原样还原；发票代码、校验码、18 位纳税人识别号、16 位银行账号，这些错一位就作废的长串数字，逐位对上。

连压在字上的红章，它也知道单独切出来，不让印泥糊进正文。一张图丢进去，吐出来的就是一份结构化的电子表格。

开启印章识别模式，连右下角那枚红色印章，它也读出来了：「发票专用章 919482156H7AUG96EU」。章上这串比正文还小的税号，和票面上销售方的纳税人识别号一字不差。

票面和章面一对，核验真伪就多了一道依据。

再让MiniCPM-OCR 1.0识别下学霸笔记。拍的时候一道斜阳正好打在纸上，半页泛着橙光。

内容是用费马的「虚拟相等法」求抛物线最大值：一边推公式，一边画曲线，箭头、批注、方框挤成一团。

MiniCPM-OCR 1.0 把整条推导链逐行还原成了标准 LaTeX。带分数线的约分、上下标，一步不乱，最后落在圈出来的结论 b − (x₁ + x₂) = 0。

还有两张手绘示意图被单独切成图片保留。即便是光线再乱、字迹再潦草，推导的逻辑一步没丢。

下面这张被揉皱的英文教材复印页，出自Gilbert Strang的经典教材，满页都是矩阵和不等式。

MiniCPM-OCR 1.0先把图片自动摆正2°，再逐行还原。分块矩阵 [A −I]、上标 x*、下标 x₁，全部转成可直接渲染的LaTeX。

还有第7题的4×4矩阵，一个数都没错。一张皱巴巴的复印纸，就这样变回了一页干净的电子教材。

下面加大难度，让它去识别一个随手拍下的一页杂志。

一张涂鸦墙满版照片、几种字体的大标题挤在一起。最难的一块，是印在砖墙涂鸦照片上的白色小字。

背景花得几乎看不清，MiniCPM-OCR 1.0 还是把「Getting real」这段的四个自然段完整读了出来，照片则被单独切成图片。

一页杂志拍下来，就是一篇能直接复制、翻译、检索的文章。

再来看下面这一整版中文的日报，八篇稿件挤在同一张版面上：横排、竖排标题混搭，正文切成密密麻麻的窄栏，新闻照片穿插其间，还有「下转第四版」的跨版提示。

MiniCPM-OCR 1.0 像一位老编辑，把这张报纸重新拆了一遍版。

连报头下方的刊号、邮发代号、新闻热线和电子邮箱，这些小字也一个没漏。

一番实测下来，MiniCPM-OCR 1.0的表现确实够硬核。

OCR领域的DeepSeek-Flash，效率拉满

如果说精度是入场券，那效率就是企业买单的最终理由。

以每秒处理页数计算：

MiniCPM-OCR 1.0以1.217页/s的吞吐量登顶（1.00x）。

对比之下，老牌劲旅PaddleOCR-VL-1.6只有0.818（0.67x）。

而某些主打高精度的模型，如MinerU2.5-Pro-Advanced仅有 0.336（0.28x），TeleOCR更是惨跌至0.141（0.12x）。

这意味着，在本次同硬件测试中，MiniCPM-OCR 1.0的单卡吞吐约为 TeleOCR的8.6倍。

快，不是靠堆硬件堆出来的。

MiniCPM-OCR 1.0 用 LLaVA-UHD v4 的视觉分片方案，把超大图像切块高效编码；再叠加 DSpark 投机采样解码加速，端到端处理效率直接提升 55%。

小参数、轻架构、快解码，三板斧叠在一起，才有了单张RTX 5090上平均不到1秒解析一页的速度。

在账本上，吞吐量就是真金白银。在这个指标上，MiniCPM直接拉低斩杀线。

这不仅是成本上的降维打击，更是让顶尖AI能力真正走向「技术普惠」。

而这，恰恰是面壁智能一直在做的事。

从把GPT-4V级多模态能力塞进手机的MiniCPM-V，到今天1.3B的MiniCPM-OCR，面壁始终在用更小的模型，干更大的活。

MiniCPM-OCR，不过是这条路线上又一次「以小博大」。

过去，动辄需要集群算力才能支撑的工业级文档解析管线，现在被压缩进了一张消费级显卡甚至边缘端侧设备中。

中小微企业、科研团队和独立开发者无需承担高昂的算力税，在本地就能搭建起私密、安全的高吞吐生产流，让顶尖的 AI 能力真正变成人人可享的「平民工具」。

但最狠的还不是准确率和效率。

OCR的下一战，不再是识别得更准，而是识别得更可信。

首提可信OCR

比性能更可贵的是靠谱

过去几年，大家都在宣称自己的大模型能做到 99%。

但问题在于，视觉语言模型天生带有「幻觉」。

在金融核保、法务合同、医疗病历这些极为严苛的业务里，哪怕只有 1% 的不可控风险，都可能招来千万级的合规灾难。

问题的本质是信任。

假设100张发票里，AI识别错了1张，但你不知道是哪一张。你会怎么办？

答案很绝望：你只能雇人，把这100张发票从头到尾、一张不落地重看一遍。

于是，人类商业史上最荒诞的一幕出现了：企业花重金购买了最前沿的AI算力，可能转头又雇了几十号人，像流水线工人一样，把那99%正确的数据人肉核对一遍。

不知道错在哪的99分，和0分一样，最终都需要人类来兜底。

拉长视野，你会发现过去一年，文档OCR模型的参数规模正在经历一条陡峭的「缩水曲线」。

从3B到1.2B，再到0.9B、0.6B，开源越来越密，技术门槛被一路拉平。

技术架构的进步提升了「识别能力」，「认字」这件事，正在从技术稀缺品变成算力日用品。

当人人都能认字时，真正稀缺的变成了什么？是可信。

这一次，面壁智能第一次把「可信」从准确率里单独拎了出来，立成一个全新的品类：可信 OCR。

在此之前，行业里根本没有这个概念。所有厂商都在比谁「认得准」，却没有人去回答一个更要命的问题：这一份结果，到底能不能信？

而就算有人想解决「可信」，过去行业的思路也非常单线：大力出奇迹。把排版、公式、图表解析，连同「检查自己有没有认错」的任务，全部塞进同一个巨无霸视觉语言模型里。

但这违背了第一性原理。

想想你自己写过的稿子。自己检查十遍，错别字依然会溜过去；但同事扫一眼，可能立刻就指出来。原因不是你不认真，而是你的大脑会自动「脑补」你想写的东西。

新一代OCR模型也是一样。无论参数做多大，在面对自己脑补出来的幻觉时，它天然缺乏概率校准能力。让大模型给自己打分，就像让考生给自己判卷，它永远盲目自信。

市面上一些OCR引擎附带的「置信度」，本质上也是这种自己给自己打的分。

人类社会几千年前就想明白了这件事：会计记账，必须有审计查账；运动员比赛，必须有裁判吹哨。

面壁智能的破局之道，就是分工协作：解析模型只管干活，决策模型专职验货。

MiniCPM-OCR 1.0专注识别，决策模型MiniCPM-OCR Jev负责「识别结果的可信度」。

MiniCPM-OCR Jev对文本、公式和表格候选评分

「感知生成」与「理性裁决」在AI架构中第一次被彻底拆开。

这也是业内第一次，有人把解析模型和决策模型打包一起开源。别人发布的是一个OCR模型，面壁发布的，是一条自带质检的OCR流水线。

能力可以集中，信任必须分权。

一次反向的《思考，快与慢》

MiniCPM-OCR Jev自带三个极其硬核的底层设计。

第一，告别盲目自信，只输出「统计学真相」。

MiniCPM-OCR Jev给出的置信分数，经过大量真实人工标注数据进行统计校准。

大模型的「幻觉」，被量化成了一个可以核对的数字。

第二，它快到几乎不占时间。

过去让大模型做质检，它得字斟句酌地生成一大段推理，延迟极高。

而MiniCPM-OCR Jev拿到OCR候选结果，只做一次前向计算，不生成 任何文字，毫秒级给出裁决。

它就像高速公路上的 ETC 闸口， 卡在「文档识别和业务入库」之间，让90%以上毫无疑问的数据「秒过」 。

第三，小身板，拥有巨头级的判断力。

在衡量判别能力的 AUROC 指标上，仅2B参数的MiniCPM-OCR Jev拿下了93.6。

作为对比，参数高达397B的通用大模型Qwen3.5是93.8。

它以极微小的算力代价，几乎打平了超大模型的审查能力。

光看分数不够直观，我们把OCR和Jev接成了一条流水线：OCR读完，Jev打分；分数低于门槛，程序就让OCR重读；过线了，再把表格存成JSON。

若是几种办法都试完还不过线，就标出来交给人复核。

拿来试的，是DeepSeek-V3技术报告里那张训练成本表。557.6万美元的出处，就是它。

第一遍，数字一个没错：2664K、119K、5K，连合计的5.576M都在。但四个美元符号全被读成了公式标记，合计金额变成了「)5.576M」。

光扫一眼数字，人很容易放过去。Jev没放过，只给了约0.000001分。

程序当即把表打回重读。第二遍，原图放大两倍、四周留白，美元符号还是不对，分数纹丝不动。

第三遍，程序按预设策略换了一套识别流程。这回四个「$」全部回来了，Jev复判给到0.9692，重试停止，表格存成JSON。

我们把最终结果逐项对回原图：表头、各阶段GPU小时数、美元金额，全部一致。

三轮识别、两次返工，中间没人手工补一个符号，也没人守着点「再试一次」。OCR负责读，Jev负责判，程序决定要不要重来。

落到真实的商业运转中，这是一场摧枯拉朽的效率革命。

系统把高置信数据直接放行，只把剩下的可疑切片推给人工。

企业的人工审核，终于从耗时耗力的「全量巡检」， 变成了精准打击的「 定向 抽检 」或「异常块复核」。

诺贝尔经济学奖得主丹尼尔·卡尼曼在《思考，快与慢》中提出，人类有两套系统：System-1 是快思考（直觉），System-2 是慢思考（理性推理）。卡尼曼认为，直觉常常出错，需要理性去纠正它。

但 MiniCPM-OCR Jev极其精妙地把这个故事反转了。

它是毫秒级的System-1，去给费时费力的生成模型System-2把关。

为什么它的「直觉」那么准？因为它是由海量真实数据一遍遍喂出来的。就像一位干了三十年的老银行柜员，钞票在手里一搓就知道真假。他不需要长篇大论，他的「手感」本身，就是最严密的统计规律。

需要特别指出的是，Jev模型并不只适配MiniCPM-OCR。

作为一个高度解耦的独立决策模型架构，Jev可以作为即插即用的「置信度外挂质检员」，灵活架设在任何一个OCR之后。

无论你的业务流水线目前使用的是经典的 PaddleOCR、垂直领域的 TeleOCR，还是调用大厂闭源的商业 API，甚至是你本地私有化微调的文档解析模型，无需改动原有的识别底座，都可以将 Jev 嵌入为一道校验网关。

它以统一的无偏标准对各路异构输出进行校准判别，成为整个企业级文档处理管线中通用的「可信过滤器」。

AI 的上半场，比谁更聪明；下半场，比谁更诚实。

信任不是「永远不出错」，而是「错了，我知道」。

机会就在眼前

这次面壁智能的开源，把行业门槛降到了令人发指的地步：两个模型权重全部开源，首日即支持Hugging Face、vLLM、Ollama，甚至配有不用配环境的在线WebDemo。

站在更大的产业视角来看，MiniCPM的OCR与Jev组合，正在掀起一场更深远的工程革命：

OCR模型的定位，已经全面升级为AI Agent「上下文治理」的核心基础设施。

当下的AI Agent正在接管越来越多的专业工作流，而智能体思考的质量，直接受限于输入上下文的纯度与结构。

MiniCPM-OCR解析出的高质量排版、富文本与Markdown，直接作为Agent最核心的上下文输入。它让智能体无需在充满乱码和格式破碎的泥潭中盲人摸象，为端到端自动化扫清了第一道认知障碍。

在各行业核心业务中，大量「非结构化文档转存数据库」是刚需。

比如，财务审计与核算领域成千上万页资产负债表、利润表、发票底稿，需毫秒级结构化提取并对齐条目。

原有的通行做法非常繁复：

先用 OCR 把图片转成文本或 Markdown，再调用大语言模型（LLM），配上长 Prompt 和特定 JSON Schema 规则做「二次蒸馏提取」，最后才存入数据库。

这带来多一倍显存占用、高额API账单和数秒延迟，更埋下二次幻觉隐患。

MiniCPM-OCR 的原生关键信息抽取KIE改变了这一点——端到端一步到位。

无需在后端再挂一个庞大LLM，即可精准识别关键实体与字段关系，把文档流直接对接企业级存储引擎。

而MiniCPM-OCR Jev对已有 OCR 候选结果评分，还支持二次微调， 工业流水线得以大大简化，文档可信度大大提升。

放到更大的产业图景里看，这条流水线来得正是时候。

全球OCR市场仍在高速增长。据The Business Research Company统计，市场规模将从2025年的166.6亿美元增长到2026年的192亿美元，2030年有望达到339.2亿美元。

但增长的逻辑已经变了。

过去，企业买单是因为「更多文档需要被数字化」；现在，企业要的是数字化之后，结果「能被信任、能被自动化」。金融保险与医疗健康这两个对错误零容忍的行业，合计贡献了超过四成的市场份额。

与此同时，「透明」和「可审计」正在从加分项变成准入门槛。一个只会输出结果的解析模型，回答不了「这份结果能不能直接用」；一个经过校准、敢说「我不确定」的决策层，才是下一阶段的入场券。

当所有人还在卷准确率时，面壁已经提前站到了下一个路口。更重要的是，这一次，「可信」也被开源了。

人类文明最了不起的发明之一，不是让某个人进化得完美无缺，而是建立了一套人与人之间互相监督、彼此校准的制度。

现在，轮到AI走向文明了。

让校验隐身，让信任显形。

编辑：大卫 桃子 摩西