MiniCPM-OCR 1.0 與 Jev 是什麼？文件辨識、錯誤評分和人工複核怎麼搭配
OpenBMB 推出 MiniCPM-OCR 1.0 與 Jev，解析文字與表格並評估辨識品質。了解官方評測、部署條件和繁體中文驗收方法。
MiniCPM-OCR 嘗試處理文件辨識後的另一個問題：一份掃描報價單轉成文字後，看起來整齊並不代表每個數字都正確。只要小數點漏掉，或表格的單價與數量被對錯列，後續系統就可能把錯誤資料當成事實繼續使用。
逐頁人工檢查很可靠，卻也會占去大量時間。當團隊每天要處理不同畫質、不同格式的文件時，真正困難的是決定哪些結果值得優先複核。
OpenBMB 在 2026 年 10 月 27 日推出 MiniCPM-OCR 系列，把文件辨識和品質判斷分成兩個模型。前者處理圖片與 PDF，後者對照文件影像與辨識結果，提供品質分數。
官方表示，MiniCPM-OCR 1.0 有約十三億參數，可解析文字、表格和公式。約二十億參數的 MiniCPM-OCR Jev 則能協助找出值得檢查的區域，也可以搭配其他辨識系統。
這種分工能幫團隊安排工作，但分數高不代表內容一定無誤。官方的評測數字來自特定資料與測試設定，使用繁體中文文件時仍要建立自己的驗收標準。
如果你正在整理表單、掃描合約或採購文件，可以先挑一小批已核對的資料，比較辨識結果、分數與人工修正時間，再決定是否放進正式流程。
MiniCPM-OCR 1.0 與 Jev 各自負責什麼？
OCR 是將圖片中的文字轉成可處理資料的技術。文件解析則進一步整理段落、表格與其他版面結構，讓系統不只取得文字，也能理解內容大致屬於哪一個區塊。
MiniCPM-OCR 1.0 是 OpenBMB 推出的辨識模型。官方說，它支援中英文文件與 PDF，可處理掃描、拍照、傾斜與彎曲頁面，並辨識文字、表格、公式和部分結構化資訊。
例如，一張拍歪的發票可以先由系統轉成文字，再整理成適合搜尋或保存的格式。但辨識到「日期」和「金額」兩個欄位，仍不代表數值或欄位對應一定正確。
Jev 處理的是另一個問題：拿原始影像與已產生的辨識結果比較，對指定區域給出零到一的品質分數。它不是第二份人工答案，而是一個協助排序複核工作的模型。
官方說明，Jev 不限於檢查 MiniCPM-OCR 1.0 的結果。團隊可以評估是否讓它比較其他辨識器產生的文字，再用已有的人工作業流程確認可疑區域。
為什麼要把辨識與檢查拆開？
辨識模型的主要工作是把影像轉成內容。另一個品質模型則嘗試判斷輸出是否可靠。兩者看的資料相關，目標不同，因此可以分別測試與調整。
假設一千頁文件中只有少數頁面畫質不清楚，團隊可以先讓品質模型提供排序，再安排人員優先看低分頁面。這只是流程設計範例，能節省多少時間必須用自己的文件實測。
如果重要資訊偶爾出現在高分區域，單純跳過高分結果就會漏掉錯誤。尤其是付款帳號、藥品名稱或法規條文，仍需依錯誤成本設計額外檢查。
Your OCR says it’s done—but did it get everything right? 🤔 In high-stakes workflows, even a small error can be costly.
— OpenBMB (@OpenBMB) October 27, 2026
🚀 Meet the MiniCPM-OCR suite: an open-source solution to parse fast and guard the results.
Two new models:
🔹 MiniCPM-OCR 1.0 — SOTA OCR performance and… pic.twitter.com/PyYVeKjYoW
MiniCPM-OCR 能辨識哪些文件？
官方介紹的用途涵蓋一般印刷文件，也包括照片、掃描、傾斜或彎曲的頁面。解析結果可用 Markdown 或 JSON 等格式交給後續系統處理。
Markdown 是用簡單文字符號表示標題、段落與表格的格式。JSON 則常用於交換結構化資料。格式有助於資料傳遞，但格式能開啟並不代表內容正確。
例如模型可能把產品名稱和價格都辨識出來，卻把第二列的價格放到第一列。單看純文字可能覺得內容完整，回到原始表格才能發現欄位對應錯誤。
對長文件而言，頁序、跨頁表格和段落標題也要保留。若原始檔有掃描空白頁，流程需要辨認它是真正的空白，還是影像載入失敗，避免在後續索引中悄悄缺頁。
官方所說的中英文支援，不應直接推論所有台灣繁體中文、直式排版、手寫或特殊表單都已達到某個正確率。這些工作有不同字形與排版條件，應各自建立樣本。
若文件內容影響付款或對外揭露，建議保留原始頁面、辨識結果與人工更正紀錄。這樣發現問題時，才能知道錯誤出在掃描、辨識，還是後續整理階段。
Jev 品質分數怎麼看？高分不等於保證正確
Jev 接收文件區域影像和對應的辨識內容，再輸出零到一的分數。分數可幫助團隊比較哪些區域比較值得優先檢查，但實際門檻應依資料與錯誤成本設定。
假設一張發票的日期區域得到較低分，系統可以把它送進待審清單，讓工作人員放大原圖並修改文字。被標出的原因可能來自畫質、文字辨識或版面，仍需由人確認。
如果另一筆資料得到高分，也不能直接宣稱它有固定比例的機率正確。模型分數是否能反映真實錯誤機率，需要用相同類型的文件、人工標記和校準測試來檢查。
閾值設定得嚴格，可能有更多頁面進入人工複核，增加工作量。設定得寬鬆，則可能漏掉重要錯誤。兩種情況都會產生成本，沒有一個適用所有公司的固定數字。
閾值應該怎麼試？
先選一批已由人核對的文件，記下每個區域是否真的有錯、模型分數是多少。再比較不同門檻下，有多少錯誤被抓到，以及有多少正確內容被送進複核。
例如公司可以先按錯誤後果分組：一般段落漏掉一個標點，與付款金額漏掉一個數字，不能只看成相同程度的問題。重要欄位即使分數高，也可以設為必須人工確認。
文件來源改變後，門檻也可能需要重測。影印模糊的紙本、手機照片和直接輸出的電子 PDF，影像品質差異很大。新供應商的表單與既有資料不同時，原本的分數分布未必仍適用。
官方 AUROC 0.936 代表什麼？
OpenBMB 在 JevOCRBench 上公布 Jev 的 AUROC 為 0.936。這是官方在特定評測資料上的結果，主要衡量模型能否把較可靠和較不可靠的辨識結果區分開來。
可以把它理解成排序能力的指標：數值較高，表示在該測試中，模型更有機會把正確與錯誤的結果分開。要知道固定閾值下會抓到多少錯誤，仍需針對實際資料測試。
官方還列出不同辨識模型產出結果的測試，表示 Jev 可用來比較多個來源。但不同系統的錯誤類型、輸出格式和文件內容可能不同，使用前仍要確認輸入是否符合要求。
辨識模型本身則有另一組官方數字：MiniCPM-OCR 1.0 在 Real5-OmniDocBench 得到 93.68 分。這是指定評測集與計分方式下的結果，不能把它直接改寫成所有真實文件的辨識率。
官方也展示四個文件解析基準的平均與處理速度。不同工具可能使用不同圖片解析度、硬體、批次和輸出設定。如果沒有一致的測試條件，單一速度數字很難當成採購或部署保證。
目前本文沒有對台灣文件進行獨立測試，也沒有取得足以代表所有中文文件的第三方驗證。官方數字可作為決定是否試用的起點，實際採用仍應回到自己的資料。
DSpark 加速與本機部署有哪些條件？
OpenBMB 表示，透過 DSpark 解碼加速，MiniCPM-OCR 1.0 在其設定下的端到端處理效率提升 55%。這是公司公布的測試結果，不代表每台電腦、每份文件都會得到相同幅度。
解碼是模型逐步產生輸出的過程。加速方法可能降低某些步驟的等待時間，但完整工作還包含圖片讀取、版面處理、辨識、輸出與人工複核。要比較整體效率，應量測從開始到交付的完整時間。
官方列出 vLLM、SGLang、llama.cpp 和 Ollama 等執行方式，並提供不同量化版本。這些工具是否支援所需功能，仍要核對安裝版本、硬體條件及模型文件。
量化是以較精簡的數值方式保存模型的一種方法，常用來降低資源需求。縮小模型可能改變輸出品質，因此比較部署方式時，也要使用同一批文件檢查錯誤。
官方提供本機部署說明與線上示範入口。線上服務的帳號、地區、費用和資料保存規則應依實際入口查詢，不能因模型權重可下載，就假定所有服務都免費或適用每個地區。
開放權重與素材授權要分開
OpenBMB 專案標示程式、文件和兩個模型權重使用 Apache 2.0 授權。團隊導入時仍應閱讀原始授權內容，核對修改、再分發及其他相依元件的適用條款。
專案中的宣傳圖片、示範文件和使用者自己的原始資料，也不必然和模型權重擁有相同使用權。公開展示的文件若包含第三方內容，應確認是否能用於後續用途。
本機執行可以讓團隊安排自己的資料保存方式，但不會自動建立權限控管。誰能下載原始頁面、誰可以修改結果，以及備份保存多久，都需要另外訂定。
繁體中文文件怎麼驗收？
第一步是挑選能代表工作的樣本。可以包含印刷清楚的表單、影印模糊的文件、拍攝歪斜的收據、跨頁表格，以及有中英文混排的報告。
第二步是建立可信的對照答案。由熟悉資料的人確認原始頁面的文字、數字、欄位與閱讀順序，再把辨識結果逐項比對。若原圖本來就看不清楚，也應標記為無法判定。
第三步是單獨檢查高風險欄位。姓名、統一編號、銀行帳號、日期和總價都可能因一個字或數字錯誤造成後續問題。這些欄位即使得到高分，也可以要求人工覆核。
第四步是評估 Jev 的排序是否有用。統計人員在相同時間內，透過低分優先檢查能找出多少錯誤，再比較隨機抽查或既有規則。只要記錄真實花費的時間，就能更清楚評估是否值得導入。
第五步是處理資料持續變化。文件模板、掃描設備和模型版本更新，都可能影響結果。建立固定抽查與回報機制，才能在流程改變後及早發現錯誤增加。
複核完成後，還要讓更正結果能回到下游資料。若辨識結果已經被送進搜尋索引或試算表，只修改審核畫面可能留下另一份舊資料。應先記錄每個輸出來自哪份原始文件和哪次辨識，再安排重新匯入或更新。
團隊也可以保留一部分人工抽查給高分結果，觀察品質模型是否漏掉特定類型的錯誤。這些檢查不必覆蓋所有頁面，但抽樣方式與結果要能追蹤，才能比較不同版本是否真的改善。
MiniCPM-OCR 的新意，在於讓辨識與品質排序可以分工。對文件量大且已有複核人員的團隊，這值得做一輪小規模測試。對錯誤成本高的欄位，人工確認仍應留在流程中。
延伸閱讀：OpenDocRouter 上線：一個介面切換文件 AI，便宜解析與可信資料怎麼取捨？
延伸閱讀：Indra OCR 百萬參數模型解析：每秒 49 頁，中文掃描與手寫能用嗎？
常見問題
MiniCPM-OCR Jev 可以檢查其他 OCR 結果嗎？
官方表示可以。它接收文件影像及對應的辨識結果來評分，但不同辨識器的輸出格式與實際品質仍應先測試。
Jev 的 0.936 AUROC 是 93.6% 正確率嗎？
不是。AUROC 描述在評測資料上區分不同品質結果的能力，不能直接換算成每份文件的完整正確率。
台灣繁體中文與手寫都已驗證可用嗎？
官方介紹支援中文與英文，本文沒有取得可代表所有台灣繁體中文、直式文字與手寫文件的獨立測試。建議先用自己的樣本驗收。
