1.3B。看到面壁智能这份 MiniCPM-OCR 的发布信息，我先盯住的不是那两个 SOTA 分数，而是参数量。文档解析这个赛道过去两年的主线一直是往大里堆——版面检测一个模型、文字识别一个模型、表格结构再来一个，pipeline 串起来几十亿参数，跑一张扫描件还得排队。现在有人用 13 亿参数把端到端的事做完了，还把吞吐推到 1.217 页/秒。这个组合，比 93.68 更值得琢磨。
小模型啃文档，凭什么
把 pipeline 折进一个模型
传统 OCR 方案的问题不在精度，在接口。版面分析输出框，检测模型吃掉框，识别模型吐出文字，表格再单独走一条支路，中间靠坐标对齐和启发式规则缝合。每加一个环节，误差就多一次传递机会，工程上还要维护四五套模型的版本和部署。文档解析项目里真正耗人的活，从来不是调识别率，是调这些中间层。
MiniCPM-OCR 走的是另一条路：把整页图直接喂进去，结构化结果直接出来。端到端这个词这两年快被说烂了，但在这里它有具体所指——省掉的不只是代码量，是误差累积的链条。1.3B 这个量级能做到这件事，说明文档理解并不需要通用大模型那种体量的参数去硬撑，领域内的视觉-语言对齐做扎实，规模可以砍下来一大截。
93.68 和 54.7 这两个数字
Real5-OmniDocBench 上 93.68，OCRBench v2 上 54.7，两个榜都刷到 SOTA。前者偏真实场景的文档解析综合能力，后者是文本识别领域近两年公认更难的一版评测，覆盖的版式和语种都比上一代刁钻。能在两个方向上同时拿第一，至少说明它不是靠针对单一 benchmark 过拟合刷出来的成绩。
当然，榜单永远是榜单。真正让我在意的是这种"双榜同时领先"通常意味着底座能力到位了，而不是某个后处理技巧特别灵。后处理技巧能提一两个点，提不了跨基准的一致性。
DSpark 砍的是流水线上最钝的那把刀
OCR 的瓶颈早就换了位置
几年前大家比的是识别准确率，现在准确率普遍够用了，卡点在速度。文档解析是典型的批量任务：一家银行一天的票据、一个律所一个案子的卷宗、一家医院一年的病历，量级都是几十万页起。在这种场景下，模型推理的解码环节就是那条最窄的管子——自回归逐 token 生成，一个字符一个字符往外吐，再快的 GPU 也被这个串行结构拖住。
所以看到 DSpark 这个解码加速后端，我一点不意外。这是所有做端到端文档模型的团队迟早要面对的一关：模型结构定完了，剩下的效率只能从解码策略里抠。
55% 是怎么挤出来的
按发布信息，DSpark 带来的端到端效率提升是 55%。这个数字的含义要说清楚——端到端，不是单模型推理速度。也就是说从输入图像到输出结构化文本的整条链路，时间砍掉了超过一半。解码加速能做到这个幅度，通常靠的是并行化输出、减少串行依赖这一类思路，让模型一次预测多个位置而不是老老实实排队。
难点在于，加速不能拿精度换。文档解析对字符级错误极其敏感，一个数字认错，整张发票就废了。所以 55% 这个数字如果是在精度不掉的前提下拿到的，含金量比它看起来高得多。
一秒钟一页多，够用了吗
1.217 页/秒。单机单卡的口径下，这个吞吐已经越过了很多业务线的心理线——一万页的档案，两个多小时能跑完，中间不需要人盯着切换模型。它不是那种"实验环境里很好看、上了生产就崩"的数字，因为端到端架构本身就少了多模型编排的调度开销。
对中小团队尤其如此。过去搭一套文档解析系统，光是把几个模型部署协调好就要一个工程小组，现在一个模型、一个推理服务，运维成本直接掉一个数量级。
开源之后，谁最难受
被夹在中间的集成商
文档智能这个市场有一层很特殊的存在：不做基座模型，也不直接面对最终客户，靠把开源模型和商业 API 拼装成解决方案卖给企业。这层生意的护城河，一半在工程经验，一半在信息差——客户不知道自己拼也能拼出来。
现在一个 1.3B 的开源模型，双榜 SOTA，吞吐过 1 页/秒，还能在消费级显卡上跑。信息差被压缩得很快。开源这两个字对这类公司从来不是好消息，它把"能不能做"变成了"愿不愿意自己动手"。
端侧那条暗线
1.3B 真正的想象空间不在云端。这个体量经过量化之后，塞进一台笔记本、一台扫描仪、甚至一台高配手机都不是幻想。合同扫描当场出结构化文本、护照识别不上传云端、病历在院内网离线处理——这些场景过去因为隐私和网络限制做不了，现在有了可行解。
面壁一直在这条线上押注。MiniCPM 系列从诞生起就是小参数路线，OCR 是这个棋局里很自然的一格：端侧需要一个能看懂纸面世界的眼睛。
榜单之外还有一堆脏活
真实文档不按 benchmark 排版
我得说句泼冷水的话。真实世界的文档，难看的程度远超任何评测集。复印件套复印件、盖章盖住关键字段、手写批注糊成一团、表格跨页断裂、胶装书脊处文字变形。93.68 分很漂亮，但剩下的 6.32 分里，藏着大量让业务方抓狂的边界情况。
端到端模型的问题是错误不可解释。pipeline 方案里，识别错了你能定位到是哪一环，端到端模型吐出一个错结果，你只能重跑或者加后处理。生产环境里，可调试性有时候比准确率更值钱。
成本这笔账得自己算
开源不等于免费。1.3B 模型的推理成本、微调数据的人工标注成本、版本迭代的维护成本，都得自己扛。对那些文档量不大、场景又特别垂直的团队来说，调一个开源小模型未必比买现成 API 划算。
但对量大、场景标准、数据敏感的行业——金融票据、医疗病历、法律卷宗、政务档案——自己拿一个 SOTA 底座微调，长期账算下来几乎是必然选择。MiniCPM-OCR 开源的意义，就是把这道选择题的选项从两个变成了三个。
至于它到底能不能撑住真实业务的磨损，得看接下来几个月有多少团队真的把它推上了生产环境。榜单是第一句话，落地才是全文。
