MiniCPM-OCR:1.3B本地读文档模型

手里有一份扫描 PDF，想把里面的表格搬进知识库，复制出来却是一串乱序文字：表头跑到最后，数字挤成一列，公式只剩几个符号。这种时候，换一个更会聊天的大模型，未必是最省事的办法。

OpenBMB 这次拿出了一个专门干文档识别的小模型：MiniCPM-OCR 1.0，总参数 1.3B，重点处理中文、英文、表格、公式和结构化信息。 它已经提供 GGUF 和本地部署路线，可以把识别这一步留在自己电脑上。

我看中它的地方很直接：日常处理一页合同、一张报表，不必先搬出一个几十 B 的通用视觉模型。

它和“能看图的聊天模型”有什么不同

之前写过 MiniCPM-V，那类模型可以描述图片、理解场景。MiniCPM-OCR 则把本事集中在文档：识别文字、读表格、还原公式、提取关键字段。

比如拍了一页带表格的材料，想得到的是可编辑内容，而不是“这是一份包含数据的文档”这样的图片说明。它瞄准的就是这段差距。

官方完整流程不只有一个模型：版面检测先找正文、表格等区域，识别模型逐块处理，SDK 最后按阅读顺序组装成 Markdown。 表格可用 HTML 表达，公式用 LaTeX 保留。这比单纯抠出一串文字，更适合接后续搜索和知识库。

下面先让识别模型读一张图；整份 PDF 自动切页、检测版面、组装结果，要再接官方 SDK。只装好权重，不会凭空多出整套文档管理软件。

普通电脑的门槛，先看量化这条路

官方 Ollama 配方需要三份匹配文件：

三份加起来约 2GB，是文件体积，不是完整运行显存。 图片切片、上下文和后端缓冲还要占资源，但这至少是一条值得普通电脑考虑的轻量路线。

8G 显存建议从单图、单请求开始；12–24G 可以在结果稳定后再试批量。没有独显的读者，先核对自己系统的 Ollama 后端支持，接受 CPU 等待，不照搬服务器的吞吐数字。

官方高吞吐 SDK 教程使用 Linux 和 RTX 5090 测试环境。那套配置不等于单图体验的最低门槛，也不能拿它的页速当自己电脑的速度。

先备齐文件，再接 Ollama

部署文档要求 Ollama v0.40.12 或更新版本，先看 ollama --version。旧版不认识 DRAFT 时，应升级服务，而不是把那行随手删掉。

在单独目录安装下载工具，备齐三份文件：

python -m pip install -U huggingface_hubhf download openbmb/MiniCPM-OCR-1.0-gguf MiniCPM-OCR-1_0-Q8_0.gguf mmproj-model-f16-4x.gguf --local-dir ./ocr-modelhf download openbmb/MiniCPM-OCR-1.0-DSpark-gguf dspark-MiniCPM-OCR-1_0-Q8_0.gguf --local-dir ./ocr-model

在 ocr-model 文件夹新建 Modelfile：

FROM ./MiniCPM-OCR-1_0-Q8_0.ggufFROM ./mmproj-model-f16-4x.ggufDRAFT ./dspark-MiniCPM-OCR-1_0-Q8_0.ggufREQUIRES 0.40.12PARAMETER num_ctx 8192PARAMETER temperature 0PARAMETER draft_num_predict 15

保持本机 Ollama 服务运行，在上一级目录注册：

ollama create minicpm-ocr -f ./ocr-model/Modelfileollama show minicpm-ocr

minicpm-ocr 是我们自己注册的名字，不是从 Ollama 模型库猜出来的短标签。ollama show 应显示视觉能力；文件路径按 Modelfile 所在目录解析。

第一张图，就拿手头的扫描页

准备 sample.png，在当前目录打开 PowerShell，把图片交给本机服务：

$ocrImage = [Convert]::ToBase64String([IO.File]::ReadAllBytes((Resolve-Path './sample.png').Path))$ocrBody = @{    model = 'minicpm-ocr'    stream = $false    messages = @(@{        role = 'user'        content = '识别图片中的文字，保留阅读顺序。表格保留行列关系，无法辨认的内容不要猜。'        images = @($ocrImage)    })} | ConvertTo-Json -Depth 6$ocrResult = Invoke-RestMethod -Uri 'http://127.0.0.1:11434/api/chat' -Method Post -ContentType 'application/json' -Body ([Text.Encoding]::UTF8.GetBytes($ocrBody))$ocrResult.message.content

请求读取本地图片，模型由本机 Ollama 运行，不需要调用云 OCR。首次安装和下载资源仍要联网。

先看正文和表格是否读对。如果只有普通图片说明，检查视觉组件与识别提示；如果长页被截断，再调整图像和输出预算，不急着换模型。

想整份 PDF 转 Markdown，再上 SDK

官方 minicpm-ocr SDK 负责版面检测和结果组装。完成其依赖安装、布局模型准备后，可把识别后端指向现有 Ollama：

minicpmvocr parse doc.pdf -o doc.md --backend ollama --server-url http://127.0.0.1:11434 --model minicpm-ocr --workers 1 --device cuda:0

这条示例面向已经配好 CUDA 版面检测环境的人。--device 控制布局检测，不改变 Ollama 的计算设备；SDK 默认并发较高，小显存先降到 1。完整环境按官方教程安装，不把“模型只有 1.3B”理解成“整套软件没有依赖”。

值不值得装，看你有没有这类活

经常把扫描件转成可编辑资料、需要把表格送进知识库、想在本机提取票据字段的人，值得把它留进工具箱。模型和 SDK 能本地运行，材料不必交给第三方 OCR 服务。

但识别结果仍是初稿。金额的小数点、公式下标、表头单位和印章遮住的字，要回原图检查。项目模型卡标注 Apache 2.0，使用时保留对应版本的许可文件。

我的建议是先导入量化文件，读通一张测试图，再考虑整份 PDF。先把“看得见的内容变成可用文字”解决，后面的知识库才有好资料可读。

#MiniCPMOCR #OCR #Ollama #文档解析 #本地部署