NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

ModelBestとOpenBMB、文書OCRの1.3Bと品質判定の2BモデルをApache 2.0で公開――読み取りと誤り検査を別モデルに分けた「MiniCPM-OCR」シリーズ

ModelBestとOpenBMBコミュニティは2026年10月31日、文書解析モデル「MiniCPM-OCR 1.0」(1.3B)とOCR品質判定モデル「MiniCPM-OCR Jev」(2B)の2モデルをオープンソースで公開したと発表しました。コード・ドキュメント・両モデルの重みはApache License 2.0で、GitHub・Hugging Face・ModelScopeから入手できます。リポジトリの作成は10月27日で、10月31日の発表は公開開始ではなく両社の共同発表です。掲載の性能値は開発元の評価で、第三者の独立検証は確認できていません。

PR Newswire配信の発表(2026年10月31日11:24 ET、北京発)は、文書の解析と解析結果の品質評価のためのモデル群「MiniCPM-OCR」シリーズの公開とオープンソース化を両社の共同発表として伝えています。対象は1.3Bの「MiniCPM-OCR 1.0」と2Bの「MiniCPM-OCR Jev」の2モデルです。発表文は1.0について、スキャン・撮影・曲がったページ・再撮影といった入力を画像の事前補正なしに解析し、中国語と英語の文書やPDFで文字・表・数式・図表・印影を認識すると説明しています。帳票や証明書から指定項目を取り出す情報抽出(KIE)にも対応するとしています。

公開の経過には前後があります。公式GitHubリポジトリの作成日時は2026年10月27日13:22 UTCで、重み・コード・ドキュメントの公開はこの時点から始まっています。10月31日は初配布日ではなく、両社が共同で発表した日です。

読み取り担当と検査担当

MiniCPM-OCR 1.0はMiniCPM-V 4.6をベースにした1.3Bのモデルで、MiniCPM-V/o系で初のOCR専用モデルとされます。モデルカードの対応言語は英語と中国語です。一方のJevはOCRそのものを行わず、元画像と候補のOCR結果を照合して品質を判定します。

「OCR自体は行わず、Jevは元画像とOCR出力を比較し、テキスト・LaTeX数式・表に確度スコアを素早く付与して、文字の欠落・誤り・整形のずれを検出します」

Rather than performing OCR itself, Jev compares the source image with OCR output and rapidly assigns confidence scores to text, LaTeX formulas and tables, detecting missing characters, errors and formatting misalignments.

ModelBest and OpenBMB Open-Source MiniCPM-OCR Series(PR Newswire配信、2026年10月31日、全文確認)

Jevガイドによると、JevはQwen3.5-2Bを学習元に、言語モデルの出力ヘッド(lm_head)を2値分類ヘッドに置き換えたモデルです。元の領域画像と候補テキスト(テキストを描画した画像を含む)を受け取り、文字・数式・表の領域ごとに0〜1の品質スコアを出します。開発元の実験では、MiniCPM-OCR 1.0のほかGLM-OCR、PaddleOCR-VL-1.6、Xiaomi-OCR-0の解析結果にもスコアを付けており、既存のOCRエンジンを置き換えず後段に組み込める点が特徴とされます。

図解2モデルの分担
  • MiniCPM-OCR 1.0

    パラメータ
    1.3B
    ベースモデル
    MiniCPM-V 4.6
    役割
    文書画像・PDFの解析(文字・表・数式・図表・印影、項目抽出)
    出力
    MarkdownやJSONの解析結果
  • MiniCPM-OCR Jev

    パラメータ
    2B
    ベースモデル
    Qwen3.5-2B
    役割
    元画像と候補OCR結果の照合(文字・数式・表)
    出力
    領域ごとの品質スコア(0〜1)

PR Newswire配信の発表(2026-10-31)、公式README、Jevガイド、Hugging Faceのモデルカード2種(2026-11-02確認)による。

図解品質判定の組み込み方
  1. 01 解析

    文書の解析

    PDFや画像をレイアウト解析(PP-DocLayoutV3)して領域ごとに認識。1.0に限らず既存のOCRエンジンの結果にも使える

  2. 02 採点

    Jevが0〜1を付与

    元の領域画像と候補テキスト(描画画像を含む)を照合し、文字・数式・表の領域ごとにスコアを出す

  3. 03 振り分け

    自動処理と人間レビュー

    閾値以上は自動処理、未満は人間レビューへ。複数のOCR候補がある場合は最高スコアの候補を選ぶ

Jevガイドと1.0モデルガイド(2026-11-02確認)による。閾値は実際の文書で自動受理率と正確さを測りながら設定するよう、ガイド自身が注意を促しています。

性能値はすべて開発元の評価です。1.0は実世界文書のベンチマークReal5-OmniDocBenchで93.68、汎用OCRのOCRBench v2で54.7を公表しています。JevはJevOCRBenchでAUROC(×100)93.6を報告し、35B級のJEV-35B-A3B(90.1)を上回り、397B級のQwen3.5-397B-A17B(93.8)に接近するとしています。AUROCは正誤の候補を順位付けて区別する指標で、93.6は正答率93.6%を意味しません。異なる4種のOCR解析結果にJevを採点させた実験では、JevOCRBenchから無作為抽出した200サンプルでAUROC(×100)91.9〜93.4の範囲でした。

図解開発元公表の主な数値
  • Real5-OmniDocBench 93.68

    数値の意味
    1.0の実世界文書解析のベンチマークスコア
    測定条件・注意
    認識正解率ではない
  • OCRBench v2 54.7

    数値の意味
    1.0の汎用OCR能力のベンチマークスコア
    測定条件・注意
    他ベンチマークの数値と直接比較できない
  • JevOCRBench AUROC 93.6

    数値の意味
    Jevの正誤判別(順位付け)指標×100
    測定条件・注意
    正答率ではない
  • スループット 1.2ページ/秒

    数値の意味
    1.0の解析速度
    測定条件・注意
    RTX 5090、OmniDocBench v1.6の1,651画像、画像レベル同時実行1、各システムの高速化構成という条件。一般のCPUやMacで同じ速度を期待できない

開発元の公表値(公式README・モデルガイド、2026-11-02確認)。第三者による同条件での再現は確認できていません。

効率については、DSparkのデコーディング高速化でエンドツーエンドの処理効率が55%向上し、スループットはPaddleOCR-VL-1.6の約1.49倍、MinerU2.5 Proの約3.62倍になると開発元は述べています。測定条件は前述のRTX 5090での比較です。

プロジェクト全体(コード・ドキュメント・両モデルの重み)はApache License 2.0です。BF16の重みに加え、GGUF・AWQ・GPTQの量子化版とDSpark版が公開されています。vLLM・SGLang・llama.cpp・Ollamaを公開初日からサポートし、pip SDK、API、Coding Agent用のSKILL.md、ファインチューニングの手順も合わせて公開されました。解析パイプラインは1.0にレイアウト解析モデルPP-DocLayoutV3とSDKを組み合わせる構成で、1.3Bの重み単体では全機能が完結しません。発表文はFlagOS経由でHuawei昇騰(Ascend)など複数のチップに初日対応すると述べています。

性能値は開発元の評価で、独立した再現はまだ確認できていません。日本語はモデルカードの主要対応言語(英語・中国語)に含まれず、日本語文書での品質は現時点で判断できません。Jevのスコアも自動受理の正確さを保証せず、ガイドは「既存のAUROC結果は普遍的な既定閾値を確立しない」と注意を促したうえで、実際の文書種類で閾値を検証するよう求めています。発表文の「初のOCR result decision model」は開発元の表現で、業界全体で初と断定する根拠はありません。

出典

  1. ModelBest and OpenBMB Open-Source MiniCPM-OCR Series, Delivering High-Performance Document Parsing and AI-Powered Quality Control(PR Newswire配信、ModelBest名義、2026-10-31 15:24 UTC掲載、2026-11-02全文確認)一次資料(当事者発表)。共同発表の日時、2モデル構成(1.0=1.3B、Jev=2B)、1.0の入力対応(スキャン・撮影・曲がったページ・再撮影、中国語英語、KIE)、Jevの説明と引用文、「初のOCR result decision model」の表現、vLLM/SGLang/llama.cpp/Ollama対応、FlagOS経由の複数チップ対応
  2. OpenBMB/MiniCPM-OCR(公式GitHubリポジトリREADME、2026-11-02全文確認)一次資料。Apache License 2.0(コード・ドキュメント・重みを含む)、Real5-OmniDocBench 93.68、OCRBench v2 54.7、Jev AUROC 93.6(JEV-35B-A3B 90.1、Qwen3.5-397B-A17B 93.8)、汎化91.9〜93.4、DSpark 55%・1.49×/3.62×、重みの公開形態(BF16/GGUF/AWQ/GPTQ/DSpark)、導入手段
  3. MiniCPM-OCR 1.0 Guide(GitHub docs、2026-11-02全文確認)一次資料。解析パイプラインの構成(1.0+PP-DocLayoutV3+SDK)、スループット1.2ページ/秒の測定条件(RTX 5090、OmniDocBench v1.6の1,651画像、画像レベル同時実行1、高速化構成)
  4. openbmb/MiniCPM-OCR-1.0(Hugging Faceモデルカード、2026-11-02全文確認)一次資料。license: apache-2.0、対応言語(en, zh)、ベースモデルopenbmb/MiniCPM-V-4.6、パイプライン構成の再確認
  5. MiniCPM-OCR Jev Guide(GitHub docs、2026-11-02全文確認)一次資料。Jevの設計(Qwen3.5-2B由来、lm_headを2値分類ヘッドへ)、入出力(領域画像+候補テキスト→0〜1スコア)、クロスパーサー実験(200サンプル、AUROC 91.9〜93.4と各パーサーの値)、AUROCの意味と閾値設定の注意、Apache 2.0
  6. openbmb/MiniCPM-OCR-Jev(Hugging Faceモデルカード、2026-11-02全文確認)一次資料。license: apache-2.0、ベースモデルQwen/Qwen3.5-2B
  7. OpenBMB/MiniCPM-OCR リポジトリ情報(GitHub API、2026-11-02確認)一次資料。リポジトリ作成日時(2026-10-27T13:22:00Z)とライセンス(Apache-2.0)。公開開始が発表より前である点の根拠

出典の確認日 2026.11.02

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む