OpenBMB bringt kostenlose OCR-Software MiniCPM OCR mit Fehlererkennung
Das Open-Source-Team OpenBMB hat MiniCPM OCR veroeffentlicht, eine kostenlose Modellfamilie mit 1,3 Milliarden Parametern, die Scans, Handyfotos und PDFs in Text umwandelt. Das Tool markiert zudem Stellen, die es moeglicherweise falsch erkannt hat.
Veröffentlicht am 27. Oktober • Zuerst erschienen auf fathom.news
Das Open-Source-KI-Labor OpenBMB hat MiniCPM OCR veröffentlicht, ein kostenloses Tool, das Scans, Handyfotos und PDFs in Text umwandelt und die Stellen markiert, die es möglicherweise falsch gelesen hat.
OpenBMB kündigte den Launch auf X an und verlinkte ein GitHub-Repository, das MiniCPM OCR 1.0 beschreibt, eine Suite für Texterkennung, Dokumentenverarbeitung und Fehlerprüfung. Laut dem Repository erzielte das Hauptmodell 93,68 Punkte auf Real5-OmniDocBench und verbesserte die Effizienz der End-to-End-Verarbeitung um 55 %.
OpenBMB entwickelt Open-Source-Multimodalmodelle, die Text und Bild verbinden. OCR, die Abkürzung für optical character recognition, wandelt Text in Bildern oder gescannten Dateien in maschinenlesbare Inhalte um.
Die Verarbeitung von Dokumenten gehört nach wie vor zu den teuersten Schwachstellen der KI.
Modelle können schwierige Fragen im Chat beantworten und dennoch ein Siegel, eine Tabellenzelle oder eine Zahl auf einer verknitterten Rechnung übersehen. Dem Repository zufolge bewältigt das System chinesische und englische Dokumente, Tabellen, Formeln, Diagramme und die Extraktion wichtiger Informationen.
Es enthält außerdem eine Evaluierungskomponente, die verdächtige Regionen kennzeichnet, anstatt jede Ausgabe als gleichwertig vertrauenswürdig zu behandeln.
Dieses Vertrauen auf Regionsebene ist entscheidend in Finanz-, Rechts- und Gesundheitsworkflows, in denen Nutzer wissen müssen, welcher Teil einer Seite noch einer menschlichen Prüfung bedarf, und nicht nur, dass Text extrahiert wurde.
Siehe auch: Semantic Scholar Lab bringt kostenloses Tool heraus, das Artikel findet, welche die Suche übersieht
Der Launch ist unabhängig von der Forschung, die OpenBMB am Montag zur Leistung von Modellen bei menschlichen Hilfestellungen in agentischen Aufgaben veröffentlicht hat und die die Entscheidungsfindung von Modellen untersuchte. Diese Veröffentlichung ist ein Produktschritt in die Dokumentenerfassung, eine andere Ebene des Stacks.
Das Timing folgt einem branchenweiten Muster, bei dem sich Multimodallabore vordergründigen Aufgaben widmen, die einst spezialisierter Software überlassen blieben, von Programmierung und Support bis hin zu Sprache und Papierkram.
OCR versorgt Retrieval-Systeme, von denen viele KI-Agenten abhängen, mit Daten. Wird eine Seite schlecht gelesen, erben nachgelagerte Schritte die Fehler, weshalb selbst leistungsstarke große Sprachmodelle an unordentlichen Real-World-Dateien scheitern können.
Auf der GitHub-Seite heißt es, das Modell laufe unter der angegebenen Decoding-Konfiguration etwa 1,49-mal schneller als PaddleOCR-VL-1.6 und 3,62-mal schneller als MinerU2.5 Pro. Diese Vergleiche sind dort relevant, wo stündlich Tausende Seiten in einer Warteschlange landen.
Die Verarbeitungsgeschwindigkeit entscheidet darüber, ob eine Bank, ein Versicherer oder ein Business-Process-Outsourcer Dokumente nahezu in Echtzeit prüfen kann oder über Nacht Stapelverarbeitung und Ausnahmeteams benötigt.
Benchmarks sind nützlich, doch in der Produktion scheitert OCR oft an unschönen Eingaben wie Handyfotos, gekrümmten Seiten und kontrastarmen Scans. OpenBMB erklärt, das System sei genau für diese Fälle trainiert worden.
Ob diese Aussagen auch außerhalb kuratierter Datensätze Bestand haben, werden Anwender in der Praxis zeigen.
Das Repository beschreibt MiniCPM-OCR Jev, das Ergebnisse auf Regionsebene bewertet und Bereiche markiert, die einer Prüfung bedürfen. Herkömmliche Tools liefern oft nur eine einzige finale Textausgabe und zwingen Mitarbeitende, Fehler Zeile für Zeile zu suchen.
Ein Prüfer auf Regionsebene grenzt die Suche ein, indem er Reviewer direkt auf die Tabelle, den Stempel oder den Absatz verweist, der wahrscheinlich falsch ist.
Für Betriebsteams kann das die Prüfkosten senken, ohne so zu tun, als wäre das Modell perfekt. Eine Bank, die Hypothekenunterlagen verarbeitet, profitiert von etwas, das die meisten Seiten schnell verarbeitet und den kleinen Anteil riskanter Felder hervorhebt, bevor diese in die Underwriting- oder Compliance-Systeme gelangen.
Weiterlesen: GitHub stellt allen Copilot-Nutzern ein OpenAI-Tool bereit, das mehr Code löst
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Posted on Oct 27 • Originally published at fathom.news
Open-source AI lab OpenBMB has released MiniCPM OCR, a free tool that turns scans, phone photos and PDFs into text and marks the spots it may have misread.
OpenBMB posted the launch on X and linked a GitHub repository describing MiniCPM OCR 1.0, a suite for text recognition, document parsing and error review. The repo says the main model scored 93.68 on Real5-OmniDocBench and improved end-to-end processing efficiency by 55%.
OpenBMB builds open-source multimodal models that mix text and vision. OCR, short for optical character recognition, converts text in images or scanned files into machine-readable content.
Document parsing remains one of AI’s most expensive failure points.
Models can answer hard questions in chat yet still miss a seal, a table cell or a number on a warped invoice. The repository says the system handles Chinese and English documents, tables, formulas, charts and key information extraction.
It also includes an evaluation component that flags suspect regions rather than treating every output as equally trustworthy.
That region-level confidence is crucial in financial, legal and health workflows where users need to know which part of a page still requires human review, not just that text was extracted.
Also Read: Semantic Scholar Lab Unleashes Free Tool That Finds Papers Searches Miss
The launch is separate from OpenBMB research released Monday about human nudge performance in agentic tasks, which examined model decision making. This release is a product move into document ingestion, a different layer of the stack.
The timing follows a wider industry pattern, with multimodal labs taking on front-end tasks once left to specialist software, from coding and support to speech and paperwork.
OCR feeds retrieval systems many AI agents depend on, if a page is read badly, downstream steps inherit mistakes, which is why even strong large language models can fail on messy real-world files.
The GitHub page says the model runs about 1.49 times faster than PaddleOCR-VL-1.6 and 3.62 times faster than MinerU2.5 Pro under the listed decoding setup. Those comparisons matter where thousands of pages hit a queue every hour.
Faster processing determines whether a bank, insurer or business process outsourcer can review documents in near real time or needs overnight batches and exception teams.
Benchmarks are useful, but production OCR often breaks on ugly inputs, phone photos, curved pages and low-contrast scans. OpenBMB says the system was trained for those cases.
Real-world users will test whether those claims hold outside curated datasets.
The repository describes MiniCPM-OCR Jev, which evaluates results at the region level and marks areas that need review. Traditional tools often return one final text output and force staff to hunt for mistakes line by line.
A region-level checker narrows the search by pointing reviewers to the exact table, stamp or paragraph likely to be wrong.
For operations teams, that can cut review cost without pretending the model is perfect. A bank processing mortgage files benefits from something that parses most pages quickly and highlights the small share of risky fields before they hit underwriting or compliance systems.
Read Next: GitHub Gives All Copilot Users OpenAI Tool That Solves More Code