OpenBMB의 2B OCR 정확도 판정 모델(Qwen3.5-2B에서 학습되었으며, 출력 헤드를 이진 분류 헤드로 교체함): 텍스트, 수식 또는 표 영역의 원본 이미지와 특정 OCR 모델이 제공한 인식 결과를 입력으로 받아 0–1 범위의 점수를 출력하며, 점수가 높을수록 정확할 가능성이 큼. 이 점수를 사용하여 어떤 영역은 자동으로 통과시키고 어떤 영역은 수동 검수로 넘길지 결정하거나, 여러 OCR 모델의 결과 중 최상의 결과를 선택하는 데 활용됨.
상승 점수 67 · 좋아요 67 · 다운로드 수 963
이유
- 공식적으로 자체 JevOCRBench 벤치마크에서 판정 AUROC(×100)가 93.6로, JEV-35B-A3B의 90.1보다 높으며 Qwen3.5-397B-A17B의 93.8에 근접하다고 발표됨.
- MiniCPM-OCR 1.0, GLM-OCR, PaddleOCR-VL-1.6, Xiaomi-OCR-0 등 4개 모델의 해석 결과에 대해 AUROC가 91.9–93.4 범위(동일한 200개 샘플, 수동 라벨링 기반 정오답)로 나타나 특정 OCR 모델에 종속되지 않음.
- 어제 소개된 MiniCPM-OCR 1.0의 호환 모델이며, Apache-2.0 라이선스를 적용하고 GGUF, AWQ, GPTQ 버전을 제공함. 이전 호에서는 소개되지 않았음.
사용법
- 배포는 GitHub의 OpenBMB/MiniCPM-OCR 튜토리얼을 따름: Docker / 로컬 SDK, vLLM, SGLang, llama.cpp, Ollama, FlagOS 모두 문서가 제공됨. 렌더러가 포함된 서비스는 영역 원본 이미지, 후보 텍스트, 영역 유형(text / formula / table)만 전달하면 되며, 렌더러가 없는 경우 후보 텍스트를 직접 이미지로 렌더링하여 함께 전달해야 함.
- 사용법 1: 각 영역에 점수를 매기고 자체 비즈니스 샘플을 기반으로 임계값을 설정하여, 임계값 이상은 자동 통과시키고 나머지는 수동 검수로 넘김. 사용법 2: 동일한 레이아웃 분할에서 여러 OCR 모델이 각각 해석하도록 한 후, 각 영역에서 가장 높은 점수를 받은 결과를 선택하여 전체 텍스트로 재조립함.
- 서비스에서 반환된 verdict가 'scored'일 때만 모델이 실제로 매긴 점수로 간주함. 사전 검사, 렌더링 또는 추론 실패 시 반환되는 고정 값은 낮은 점수로 해석하면 안 됨.
리스크
- 평가셋인 JevOCRBench는 공식적으로 자체 구축한 것이며, 모델 간 실험은 200개 샘플로만 수행됨. 공식에서는 해석기 변경이나 새로운 문서 유형에 대해서는 자체 검증을 권장함.
- 기존 후보 내에서만 선택할 수 있으며 인식 오류를 수정하지는 않으므로, 성능 상한은 후보 자체의 품질에 의존함. 동일 영역의 후보들은 반드시 동일한 크롭 경계를 사용해야 함.
- 클라우드 API 문서는 아직 자리표시자 상태이며, VRAM 요구 사항은 명시되지 않음(FAQ 참조).