OpenBMB 的 2B OCR 正确性判定模型（从 Qwen3.5-2B 训练，把输出头换成二分类头）：输入一块文字、公式或表格区域的原图和某个 OCR 模型给出的识别结果，输出 0–1 的分数，越高越可能正确；用来决定哪些区域自动通过、哪些转人工复核，或在多个 OCR 模型的结果里挑最好的。
上升分 67 · 点赞 67 · 下载量 963
理由
- 官方称在自家 JevOCRBench 上判定 AUROC（×100）93.6，高于 JEV-35B-A3B 的 90.1，接近 Qwen3.5-397B-A17B 的 93.8。
- 对 MiniCPM-OCR 1.0、GLM-OCR、PaddleOCR-VL-1.6、Xiaomi-OCR-0 四家的解析结果，AUROC 在 91.9–93.4 之间（同一批 200 个样本、人工标注对错），不绑定某一家 OCR。
- 是昨天收录的 MiniCPM-OCR 1.0 的配套模型，Apache-2.0，有 GGUF、AWQ、GPTQ 版；此前各期没有收录。
用法
- 部署走 GitHub OpenBMB/MiniCPM-OCR 的教程：Docker / 本地 SDK、vLLM、SGLang、llama.cpp、Ollama、FlagOS 均有文档；带渲染器的服务只需传区域原图、候选文字和区域类别（text / formula / table），不带渲染器时要自己把候选文字渲染成图一起传。
- 用法一：给每个区域打分，用自己业务的样本定阈值，高于阈值自动通过、其余转人工。用法二：同一版面切分下让几个 OCR 模型各解析一遍，取每个区域得分最高的结果拼回全文。
- 服务返回的 verdict 为 scored 才是模型真正打的分；预检、渲染或前向失败时返回的固定值不能当低分看。
风险
- 评测集 JevOCRBench 是官方自建的，跨模型实验只有 200 个样本；官方提醒换解析器或新文档类型要自己验证。
- 只能在已有候选里挑，不会改正识别错误，效果上限取决于候选本身；同一区域的候选必须用相同的裁切边界。
- 云端 API 文档还是占位稿；显存需求没写（指向 FAQ）。