OpenBMB, un laboratorio de IA de código abierto, lanzó MiniCPM OCR, una herramienta gratuita que convierte escaneos, fotos tomadas con el teléfono y archivos PDF en texto, y señala las partes que quizá haya interpretado mal.
Conclusiones clave
OpenBMB lanzó MiniCPM OCR, una familia de modelos OCR de 1.300 millones de parámetros para archivos PDF, escaneos y documentos fotografiados
El repositorio de GitHub indica que el modelo principal obtuvo una puntuación de 93,68 en Real5-OmniDocBench y mejoró un 55 % la eficiencia del procesamiento integral
El repositorio indica que el sistema procesa documentos en chino e inglés, tablas, fórmulas, gráficos y extracción de información clave
La página de GitHub dice que el modelo funciona aproximadamente 1,49 veces más rápido que PaddleOCR-VL-1.6 y 3,62 veces más rápido que MinerU2.5 Pro
OpenBMB anunció el lanzamiento en X y compartió un repositorio de GitHub que describe MiniCPM OCR 1.0, un conjunto de herramientas para el reconocimiento de texto, el análisis de documentos y la revisión de errores. El repositorio indica que el modelo principal obtuvo una puntuación de 93,68 en Real5-OmniDocBench y mejoró la eficiencia del procesamiento de principio a fin en un 55%.
OpenBMB desarrolla modelos multimodales de código abierto que combinan texto e imágenes. OCR, sigla en inglés de reconocimiento óptico de caracteres, convierte el texto de imágenes o archivos escaneados en contenido legible por máquinas.
MiniCPM OCR apunta a las tareas tediosas que la IA todavía no logra resolver
El análisis de documentos sigue siendo uno de los puntos débiles más costosos de la IA.
Los modelos pueden responder preguntas difíciles en un chat y, aun así, pasar por alto un sello, una celda de una tabla o un número en una factura arrugada. El repositorio afirma que el sistema procesa documentos en chino e inglés, tablas, fórmulas, gráficos y extracción de información clave.
También incluye un componente de evaluación que señala las regiones dudosas, en lugar de tratar todos los resultados como si fueran igual de fiables.
Esa confianza a nivel de región es crucial en los procesos financieros, legales y sanitarios, donde los usuarios necesitan saber qué parte de una página aún requiere revisión humana, y no solo que se extrajo el texto.
Lea también: Semantic Scholar Lab presenta una herramienta gratuita que encuentra artículos que las búsquedas no detectan
El nuevo lanzamiento se suma a una iniciativa más amplia de OpenBMB
El lanzamiento es independiente de una investigación de OpenBMB publicada el lunes sobre el rendimiento de los recordatorios humanos en tareas agénticas, que examinó la toma de decisiones de los modelos. Este lanzamiento supone un paso del producto hacia la ingesta de documentos, una capa distinta de la arquitectura tecnológica.
El momento del lanzamiento sigue una tendencia más amplia del sector: los laboratorios multimodales están asumiendo tareas de primera línea que antes se dejaban en manos de software especializado, desde programación y asistencia hasta voz y gestión de documentos.
El OCR alimenta los sistemas de recuperación de información de los que dependen muchos agentes de IA. Si una página se lee mal, los pasos posteriores heredan los errores, por lo que incluso los modelos de lenguaje grandes más potentes pueden fallar con archivos desordenados del mundo real.
Dónde importan más las afirmaciones sobre velocidad
La página de GitHub dice que, con la configuración de decodificación indicada, el modelo funciona aproximadamente 1,49 veces más rápido que PaddleOCR-VL-1.6 y 3,62 veces más rápido que MinerU2.5 Pro. Estas comparaciones importan cuando miles de páginas llegan a una cola cada hora.
Un procesamiento más rápido determina si un banco, una aseguradora o una empresa de externalización de procesos puede revisar documentos casi en tiempo real o si necesita procesarlos por lotes durante la noche y contar con equipos para gestionar excepciones.
Las pruebas de referencia son útiles, pero el OCR en producción suele fallar con entradas de mala calidad: fotos tomadas con el móvil, páginas curvadas y escaneos con poco contraste. OpenBMB afirma que el sistema se entrenó para esos casos.
Los usuarios del mundo real comprobarán si esas afirmaciones se sostienen fuera de los conjuntos de datos seleccionados.
Cómo cambia la revisión del OCR con la puntuación de confianza
El repositorio describe MiniCPM-OCR Jev, que evalúa los resultados a nivel de región y marca las áreas que requieren revisión. Las herramientas tradicionales suelen devolver un único resultado de texto final y obligan al personal a buscar errores línea por línea.
Un verificador a nivel de región acota la búsqueda al señalar a los revisores la tabla, el sello o el párrafo exactos que probablemente contengan un error.
Para los equipos de operaciones, esto puede reducir los costos de revisión sin fingir que el modelo es perfecto. Un banco que procesa expedientes hipotecarios se beneficia de una herramienta que analiza rápidamente la mayoría de las páginas y destaca la pequeña proporción de campos de riesgo antes de que lleguen a los sistemas de suscripción o cumplimiento normativo.
Lea a continuación: GitHub ofrece a todos los usuarios de Copilot una herramienta de OpenAI que resuelve más problemas de código