MiniCPM-OCR 是面壁智能 OpenBMB 团队开源的一套轻量级文档识别套件，由一个 1.3B 参数的 OCR 识别模型和一个 2B 参数的质量校验模型 Jev 组成，主打在手机、笔记本等本地设备上完成高可靠的文档解析，权重开放后在开源 OCR 模型中达到开放 SOTA 水平。
MiniCPM-OCR 1.0 的近期进展
OpenBMB 正式发布了 MiniCPM-OCR 1.0 与校验模型 Jev，模型可以在 iPhone 上本地运行，不需要云端算力即可完成识别任务。这套组合的思路是把“识别”和“验错”拆开：1.3B 的主模型负责文档解析，2B 的 Jev 模型负责检查识别结果是否可靠，弥补小模型在关键信息（数字、日期、金额）上容易出错的问题。参见 OpenBMB 发布 MiniCPM-OCR 1.0 与校验模型 Jev，可本地跑在 iPhone 与 OpenBMB 开源 MiniCPM-OCR 套件：1B 识别模型加 2B 质检模型。
在体积和效率上，MiniCPM-OCR 1.0 仅约 1.2GB，有用户在 MacBook 上用它完整处理了一份 415 页的文档——正是 Anthropic 的 S-1 上市文件，全程本地完成，没有调用任何云端服务。这一演示说明了小参数模型在长文档批量解析场景下的实用性。详见 1.2GB 的 MiniCPM-OCR 1.0 在 MacBook 本地处理 415 页文档。
在硬件适配上，MiniCPM-OCR 通过 OpenVINO 实现了对 Intel 硬件的 Day-0 支持，发布当天即可在 Intel 平台上运行，覆盖面从 Apple Silicon 扩展到了 x86 阵营。参见 MiniCPM-OCR 通过 OpenVINO 实现 Intel 硬件 Day-0 支持。
当前焦点与观察点
MiniCPM-OCR 引起关注的核心，是它把“OCR + 质量校验”打包成一套方案，而不是只给一个识别模型。小模型跑在本机时幻觉和漏识别风险更高，Jev 这样的校验模型试图用另一个模型兜底，这种“双模型互查”的架构是否会成为端侧 OCR 的标配，值得观察。
其次是其定位：1.3B 的体量决定了它瞄准的是隐私敏感、需要离线运行的场景——合同、财报、票据的本地批量处理——而非云端大规模服务。它与云端大模型 OCR 方案是互补而非替代关系。
目前公开信息以官方推文和社区实测为主，尚缺乏独立第三方在标准评测集上的横向对比数据。开源权重的实际效果、Jev 校验的召回与误报率，以及 iOS/Mac/Intel 之外的设备适配情况，都有待更多实测验证。对于需要在本地处理文档的开发者而言，这是一个值得关注但需自行验证的轻量选项。