# MiniCPM-OCR Jev: открытые веса для проверки ошибок распознавания

Источник: https://modelium.tech/zhurnal/minicpm-ocr-jev-local-check-ocr-results/

MiniCPM-OCR Jev помогает находить сомнительные фрагменты в уже распознанном документе: сравнивает изображение участка с полученным текстом и выдаёт оценку. Веса доступны для локального запуска, но это не программа, которая сама превращает PDF в текст; готового домашнего сценария редакция не проверяла.

Если распознать скан чека или таблицы, отдельные цифры и слова могут оказаться неверными. MiniCPM-OCR Jev помогает выбрать участки, которые стоит перепроверить человеку. Это отдельная модель для оценки **уже готового результата распознавания** (OCR — чтения текста с изображения), а не замена программы, которая читает PDF. [s1](#src-s1)

Репозиторий весов создали 23 октября 2026 года; официальный пакет GGUF с подготовленными для локального запуска вариантами загрузили 26 октября. По состоянию на 31 октября доступен и исходный файл весов, и GGUF-варианты с отдельным файлом для обработки изображений. Изменение карточки 30 октября не следует путать с датой выпуска весов. [s1](#src-s1) [s3](#src-s3)

## Какую задачу решает модель?

Для каждого участка страницы ей нужны исходное изображение, предполагаемый текст и изображение, полученное при отображении этого текста. Она оценивает, насколько распознанный фрагмент похож на оригинал, числом от 0 до 1. Например, если в счёте OCR записал «8 500», а на скане видно «3 500», участок можно направить на ручную проверку. Эта пара — учебный пример задачи, а не результат нашего запуска. Если ни один распознаватель не увидел нужный участок, Jev не восстановит пропущенный текст. [s1](#src-s1) [s2](#src-s2)

## Можно ли запустить её у себя?

Да, создатели разместили исходные веса и GGUF-квантизации; GGUF — формат весов для программ локального запуска. Документация описывает интеграцию с llama.cpp версии 0.8.0 и выше: этот релиз действительно перечисляет поддержку MiniCPM-OCR Jev. Однако это **инженерный сценарий**: кроме модели нужны подготовленные фрагменты и служба, которая отобразит распознанный текст для сравнения. Официальный пример развёртывания Docker/SDK рассчитан на Ubuntu 24.04 и NVIDIA с не менее чем 12 ГБ видеопамяти. Это требование указанного пути, а не доказанный минимум для всех GGUF-вариантов. Modelium не запускал модель и не проверял качество на домашнем компьютере. [s2](#src-s2) [s3](#src-s3) [s5](#src-s5) [s6](#src-s6)

В интеграции важно проверять статус `verdict=scored`: фиксированные значения оценки при ошибке подготовки данных или обработки изображения нельзя принимать за реальное суждение модели. [s1](#src-s1) [s6](#src-s6)

## Что показывают оценки авторов?

По данным разработчиков, AUROC равен 93,6 из 100 на JevOCRBench — наборе из 2267 размеченных китайско- и англоязычных фрагментов текста, формул и таблиц. AUROC показывает, насколько хорошо оценки разделяют верные и ошибочные ответы; **это не процент документов, проверенных без ошибок**. Отдельный опыт с результатами четырёх программ распознавания использовал 200 образцов и дал диапазон AUROC 91,9–93,4. Универсального порога для автоматического принятия результата из этих цифр не следует: его выбирают на своих документах и проверяют вручную. Результатов для русскоязычных документов источники не приводят. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4)

## Какие ограничения и права учитывать?

Авторы указывают Apache 2.0 для весов и кода; базовая Qwen3.5-2B также опубликована под Apache 2.0. Но **тестовый набор — другой объект с отдельными условиями**: часть исходных данных JevOCRBench ограничена исследовательским некоммерческим использованием. Лицензия модели сама по себе не разрешает коммерчески использовать все изображения из оценки. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4) [s7](#src-s7) [s8](#src-s8)

Если цель — сначала превратить PDF в текст, начните с [материала о MiniCPM-OCR 1.0 и SDK](https://modelium.tech/zhurnal/minicpm-ocr-1-0-sdk-1-0-2-pdf-markdown/). Jev нужен уже после этого этапа — чтобы выделить подозрительные фрагменты для проверки. [s2](#src-s2)

## Источники

1. [OpenBMB: MiniCPM-OCR Jev, model card и файлы, ревизия bdb03f86](https://huggingface.co/openbmb/MiniCPM-OCR-Jev/tree/bdb03f86182a2824d2632d129c719cdf780502e2) — получено 2026-10-31
2. [OpenBMB: руководство MiniCPM-OCR Jev, commit c0881ac7](https://github.com/OpenBMB/MiniCPM-OCR/blob/c0881ac7fe9d78623bc222f8ee93e2c722f5413b/docs/minicpm_ocr_jev_en.md) — получено 2026-10-31
3. [OpenBMB: официальные GGUF-веса MiniCPM-OCR Jev, ревизия b1bf8156](https://huggingface.co/openbmb/MiniCPM-OCR-Jev-gguf/tree/b1bf81563005749c4724d40de28c7531876f60eb) — получено 2026-10-31
4. [OpenBMB: JevOCRBench dataset card, ревизия a26c4b32](https://huggingface.co/datasets/openbmb/JevOCRBench/blob/a26c4b32dcd3a95490842ca637b80edd2b71d975/README.md) — получено 2026-10-31
5. [llama.cpp v0.8.0: release notes](https://github.com/ggml-org/llama.cpp/releases/tag/v0.8.0) — получено 2026-10-31
6. [OpenBMB: локальное развёртывание Jev, commit c0881ac7](https://github.com/OpenBMB/MiniCPM-OCR/blob/c0881ac7fe9d78623bc222f8ee93e2c722f5413b/docs/minicpm_ocr_jev_tutorial_en.md) — получено 2026-10-31
7. [OpenBMB: Apache-2.0 LICENSE исходного кода, commit c0881ac7](https://github.com/OpenBMB/MiniCPM-OCR/blob/c0881ac7fe9d78623bc222f8ee93e2c722f5413b/LICENSE) — получено 2026-10-31
8. [Qwen: LICENSE исходной Qwen3.5-2B, ревизия 15852e8c](https://huggingface.co/Qwen/Qwen3.5-2B/blob/15852e8c16360a2fea060d615a32b45270f8a8fc/LICENSE) — получено 2026-10-31