OpenBMB の 2B OCR 正解判定モデル（Qwen3.5-2B から学習し、出力ヘッドを二分類ヘッドに変更）：テキスト、数式、または表領域の原画像と、ある OCR モデルが出力した認識結果を入力として受け取り、0～1 のスコアを出力します。スコアが高いほど正解である可能性が高くなります。これにより、どの領域を自動通過させ、どの領域を人手による確認に回すかを決定したり、複数の OCR モデルの結果から最良のものを選択したりするために使用されます。
上昇スコア 67 · いいね 67 · ダウンロード数 963
理由
- 公式によれば、自社製の JevOCRBench における判定 AUROC（×100）は 93.6 であり、JEV-35B-A3B の 90.1 よりも高く、Qwen3.5-397B-A17B の 93.8 に迫る性能です。
- MiniCPM-OCR 1.0、GLM-OCR、PaddleOCR-VL-1.6、Xiaomi-OCR-0 の 4 社の解析結果に対して、AUROC は 91.9～93.4 の間です（同一の 200 件のサンプル、人手による正誤アノテーション）。特定の OCR モデルに依存しません。
- 昨日収録した MiniCPM-OCR 1.0 の補完モデルであり、ライセンスは Apache-2.0 です。GGUF、AWQ、GPTQ バージョンが提供されています。これまで各号では未収録でした。
使い方
- デプロイは GitHub の OpenBMB/MiniCPM-OCR のチュートリアルに従ってください。Docker / ローカル SDK、vLLM、SGLang、llama.cpp、Ollama、FlagOS についてドキュメントが用意されています。レンダラー付きのサービスでは、領域の原画像、候補テキスト、領域カテゴリ（text / formula / table）のみを送信すればよいですが、レンダラーなしの場合は、候補テキストを自分で画像にレンダリングして一緒に送信する必要があります。
- 使い方 1：各領域にスコアを付け、自社業務のサンプルに基づいて閾値を設定します。閾値以上の場合は自動通過、それ以外は人手確認に回します。使い方 2：同じレイアウト分割で複数の OCR モデルにそれぞれ解析させ、各領域で最もスコアが高い結果を組み合わせて全文を再構成します。
- サービスが返す verdict が scored である場合のみ、モデルが実際に付けたスコアです。プリチェック、レンダリング、または推論失敗時に返される固定値を低スコアとして扱わないでください。
リスク
- 評価セットである JevOCRBench は公式が独自に構築したものであり、クロスモデル実験は 200 件のサンプルのみです。公式は、パーサーを変更する場合や新しいドキュメントタイプを扱う場合は、独自に検証するよう注意を促しています。
- 既存の候補から選択するのみであり、認識エラーを修正することはありません。効果の上限は候補自体の品質に依存します。同一領域の候補は、同じ切り出し境界を使用する必要があります。
- クラウド API のドキュメントはまだプレースホルダーです。VRAM 要件は記載されていません（FAQ を参照してください）。