面壁智能把 MiniCPM-OCR 1.0 开源了。1.3B 参数，Real5-OmniDocBench 93.68 分，OCRBench v2 54.7 分，两个基准都站到了 SOTA。挂上 DSpark 加速之后，吞吐跑到 1.217 页/秒，端到端效率提升 55%。这组数字摆在一起，最值得多看两眼的不是分数，是那个 1.3B。
先得把体量压下去
1.3B 是算过的，不是将就的
OCR 这活儿有个特点：它从来不是一次性的。一家银行一天要过几十万张票据，一个档案馆有上千万页扫描件等着数字化，一家公司的合同、发票、工单永远在源源不断地往里进。这类场景里，模型再聪明，只要单页成本下不来，就进不了生产线。
云端跑通用大模型当然也能认字。问题在于你得把客户的原始文档传上去，得等网络往返，得按 token 或按次付费。参数越大，这套账越难看。MiniCPM-OCR 把体量按在 1.3B，单卡能跑，显存吃得下，本地私有化部署没有硬门槛。文档处理这种高频、分散、数据敏感的业务，要的正是这种模型——不用最强，但必须随处放得下。
那条长到离谱的管线，被收进了一段
传统 OCR 系统是什么样子？文本框检测一个模型，透视矫正一套规则，单字识别又一个模型，版面分析再一个，表格结构还原还得单独训，阅读顺序重排、后处理纠错，一层套一层。每个环节都有自己的误差，而误差是累积的。前面框歪了两度，后面表格就散架；版面分析漏了一个栏，语义就串了行。
端到端多模态模型的价值，就在于把这条链收进一个网络。MiniCPM-OCR 的 1.3B 说明这种收拢不是靠堆参数硬撑出来的——它不需要几千亿参数才能同时学会认字、看版面和理结构。参数和能力的这条曲线，正在变得比大多数人预想的更平。
两个分数，考的是两件事
93.68 分，考的是“脏”
Real5-OmniDocBench 的定位很明确：真实场景。手机拍的、扫描仪扫的、复印再复印的，倾斜、反光、折痕、印章压字、手写批注，还有表格和公式混排的版面。这种基准上掉分，往往不是因为模型不认识某个字，而是被版面和噪声带偏了。
93.68 分落在 SOTA 位置，含义是它在不干净的输入上稳得住。这一点对工程落地比什么都要紧——真实世界里几乎没有一张文档是干净的，实验室里那套理想切图早就没人指望了。
54.7 分，说明它不只是认字
OCRBench v2 的任务谱系更宽，考的是从像素到结构、再到语义的整条链路。能在这上面拿 SOTA，意味着模型吐出来的不是一串平铺的字符，而是带层级、带关系、带阅读顺序的文档内容。对一个下游系统来说，这两者的差别是能不能直接用的差别。
顺便说一句，这两个基准在圈内的口碑都不算松。能在上面同时站住，比在一张榜单上刷高一位要有说服力得多。
跑不起来的分数，等于没跑
0.82 秒一页，落在哪条产线上
1.217 页/秒，倒过来算，单页大约 0.82 秒。这个速度做交互式的单张票据识别，可能还嫌慢；但放进批量档案数字化、发票流水线、合同归档这类场景，就是能上产线的量级。
差别很大。人眼扫一页 A4 密集文字，加上打字录入，几分钟起步；传统的云端 OCR 服务排队加上网络往返，单页常常要一两秒。每页省下的这一秒，乘上百万页的规模，就是一条产线的排期表。
55% 的提升，省的是人头的账
端到端效率提升 55%，这个数字落到采购经理的表格里，比榜单分数更管用。文档数字化是典型的劳动密集型行业，人力成本占大头。吞吐提上去一半，意味着同样的人能处理更多东西，或者同样的量用更少的机器、更短的周期。
这里还有个不常被提起的收益：本地部署带来的数据不出域。金融、医疗、政企这些把文档当敏感资产的行业，过去在“准确率”和“合规”之间反复权衡。一个能跑在本地的小模型，把这道选择题拆掉了。
开源之后，牌桌上的位置变了
竞争的轴心，从识别率挪到了工程
过去几年 OCR 赛道的比拼，是小数点后两位的拉锯。大家都在同一批基准上刷，差距越来越小，客户也越来越看不懂。现在真正卡住落地的东西换了一批：能不能私有化部署，能不能微调到某个垂直场景，能不能嵌进客户已有的 OCR 或 RPA 系统里，能不能在一张消费级显卡上跑。
MiniCPM-OCR 选择开源，等于把这几个问题的答案交了出去。用户可以自己改、自己训、自己塞进任何流程。竞争的维度就此从模型本身，转向了工具链、部署成本、场景适配速度这些更笨也更要命的工程活。
下一站，看谁先把它用坏
文档场景极度碎片化。票据、病历、图纸、试卷、古籍、报关单、施工图，每一类都有自己的版式怪癖和行业黑话。一个 1.3B 的底座能走多远，取决于社区能不能低成本地把它改到各个犄角旮旯里去。
所以接下来值得盯的，不是它还能刷高几分，而是两三个月后有多少垂直版本冒出来、有多少人抱怨微调成本太高、有多少团队把它塞进了真实的生产环境。榜单是入场券，社区才是考场。
面壁智能这次给出的东西不算多——一个模型、两个分数、一组吞吐数据。但 1.3B 这个数字本身已经足够说明态度：OCR 这门老生意，该换一种成本结构来做了。
