AI Models8 min czytania

MiniCPM-OCR odczyta folder skanów lokalnie. Które strony musi sprawdzić człowiek?

MiniCPM-OCR SDK 1.0.5 przetwarza wiele plików naraz. Zachowaj wynik dla każdego dokumentu, sprawdź kluczowe pola i zdecyduj, które skany włączyć do przeszukiwalnego archiwum.

K
Ken Jo

Trzy stare faktury są czytelne dla człowieka, ale trudno je przeszukać. Pierwsza to spłaszczony PDF. Druga to zdjęcie dokumentu z zagiętym rogiem. Trzecia to czytelny skan z tabelą rozciągniętą na dwie strony. Lokalne narzędzie OCR może zamienić obrazy w tekst. Osoba zatwierdzająca archiwum musi jednak wiedzieć, który wynik należy do którego pliku i czy kolumny zachowały swoje znaczenie.

9 listopada 2026 roku OpenBMB udostępniło MiniCPM-OCR SDK w wersji 1.0.5. Aktualizacja przyjmuje kilka plików w jednym przebiegu i zwraca wynik dla każdego. Osobna opcja pozwala potraktować pojedyncze obrazy jako odrębne dokumenty. Model MiniCPM-OCR 1.0 ma 1,3 miliarda parametrów i jest przeznaczony do dokumentów i PDF-ów w języku chińskim i angielskim. OpenBMB udostępniło model i SDK wcześniej oraz publikuje instrukcję lokalnego uruchomienia usługi rozpoznawania. Wydanie w PyPI · Projekt i historia zmian OpenBMB

Zacznij od małej partii, której wynik można zweryfikować. Nadaj każdemu wejściu stały identyfikator, zachowaj obok wynik ekstrakcji i sprawdź pola, w których błąd spowodowałby problem. To odróżnia przeszukiwalną wersję roboczą od dokumentacji, na której można oprzeć decyzję.

Ilustracja wydania MiniCPM-OCR od OpenBMB pokazuje, jak dokumenty zamieniają się w uporządkowany tekst

Oficjalna ilustracja wydania MiniCPM-OCR od OpenBMB pokazuje dokumenty przetwarzane w uporządkowany tekst. Apache 2.0. Rasteryzacja i zmiana rozmiaru przez Telli.sh. Oryginalna ilustracja

Aktualizacja pomaga zachować granice dokumentów

Według informacji OpenBMB z 9 listopada wersja 1.0.5 zwraca po jednym wyniku na plik wejściowy, gdy dostanie kilka plików. Opcja --split-images traktuje samodzielne obrazy jako odrębne dokumenty. To ważne, gdy biuro ma wielostronicowe PDF-y i zdjęcia z telefonu. Faktura połączona w jeden PDF zwykle powinna pozostać w całości. Dwa niezwiązane zdjęcia powinny tworzyć dwie osobne pozycje. Pakiet i informacje o wydaniu MiniCPM-OCR 1.0.5

Do małej oceny przygotuj po jednym dokumencie każdego typu. Czytelny PDF pozwoli ustalić oczekiwaną kolejność odczytu. Sfotografowana kartka pokaże, czy zagięcie, obrót lub odblask powoduje błędny fragment. Gęsta tabela pokaże, co się dzieje, gdy dwie kolumny mają podobne wartości. Jeśli archiwum zawiera zdjęcia dwóch stron tego samego dokumentu, zdecyduj, jak je połączyć przed przekazaniem parserowi. Układ należy do dokumentu, a narzędzie dostaje pliki.

Kilka oryginalnych dokumentów daje odpowiadające im robocze wyniki OCR, które następnie porównuje się ze źródłami

Przykładowa partia używa jednego stałego identyfikatora na dokument i zachowuje źródło do weryfikacji. Ilustracja Telli.sh.

Prowadź wykaz wejść z oryginałem, liczbą stron i oczekiwanym wynikiem. Jeśli używasz sumy kontrolnej do wykrywania przypadkowych zmian, oblicz ją z oryginału przed uruchomieniem partii. Wyniki zapisuj w osobnym miejscu, żeby późniejsza próba nie nadpisała jedynego źródła. Jeśli w dwóch folderach znajduje się plik invoice.pdf, stały identyfikator ułatwi powiązanie nawet przy powtarzającej się nazwie.

Wybierz format, który odczyta kolejny etap. SDK OpenBMB składa wyniki jako Markdown lub JSON, zależnie od konfiguracji. Markdown jest wygodny do czytania wersji roboczej. Dane ustrukturyzowane mogą pomóc w obsłudze obszarów zwracanych przez parser. W obu formatach nadal trzeba zajrzeć do obrazu, gdy liczba lub pole ma wpłynąć na decyzję. Proces analizy OpenBMB

Lokalna konfiguracja ma etap analizy układu i etap rozpoznawania

OpenBMB opisuje dwa elementy analizy pełnych stron na komputerze. SDK uruchamia model układu, aby zlokalizować i uporządkować tekst, tabele, wzory i inne obszary. Wycięte fragmenty wysyła przez HTTP do usługi rozpoznawania, a odpowiedzi składa w kolejności odczytu. Obie części da się uruchomić na własnym sprzęcie. Usługa rozpoznawania działa w osobnym środowisku, a SDK może też wskazywać usługę w innym miejscu. Analiza pełnych stron i wdrożenie lokalne OpenBMB

Ta granica ma znaczenie dla poufnych dokumentów. Ustal, dokąd etap analizy układu wysyła wycięte obszary. Lokalne SDK skonfigurowane do wywołania zewnętrznej usługi nadal może wysyłać treść przez sieć. Lokalna konfiguracja powinna wskazywać właściwą usługę i stosować zatwierdzone reguły przechowywania i zapisu zdarzeń. Publiczna demonstracja z materiałem syntetycznym pokazuje interfejs bez przesyłania rzeczywistego dokumentu klienta.

5 listopada OpenBMB opublikowało obraz Dockera zawierający SDK, vLLM i model. Opisana konfiguracja wymaga Linuksa x86-64, GPU NVIDIA, sterownika zgodnego z CUDA 12.9 i Dockera z NVIDIA Container Toolkit. OpenBMB opisuje również zaplecza rozpoznawania, w tym llama.cpp i Ollama. Sam rozmiar modelu nie przesądza o tym, czy komputer sprawnie uruchomi cały proces. Sprawdź składnik analizy układu, format modelu, pamięć i przepustowość na docelowym sprzęcie. Wymagania wdrożeniowe OpenBMB

Jest też ścieżka mobilna dla pojedynczych dokumentów. OpenBMB ogłosiło analizę offline na iOS 2 listopada. Aktualizacja projektu z 12 listopada rozszerzyła demonstrację działającą na urządzeniu na Androida i HarmonyOS. Mobilne demonstracje i komputerowe SDK do pracy wsadowej to dwa różne sposoby użycia modelu. Wybierz rozwiązanie zależnie od tego, gdzie są pliki i jak zamierzasz sprawdzać wyniki. Historia wydań mobilnych OpenBMB

Sprawdź pola, w których błąd może wyglądać wiarygodnie

Załóżmy, że faktura zawiera pozycję 10 sztuk w cenie 38,50 za sztukę. W odczytanej tabeli 38,50 trafia do kolumny ilości, a 10 do ceny jednostkowej. Kontrola samej obecności obu liczb może to zaakceptować. Dla użytkownika ważne jest przypisanie wartości do kolumn. Porównaj jednocześnie wiersz, nagłówki i sumy.

W archiwum do wyszukiwania ryzyko jest inne. Literówka w opisie może być akceptowalna, jeśli pracownik znajdzie oryginał. Błąd w numerze zamówienia może skierować go do innego dokumentu. Ustal, które pola muszą zgadzać się dokładnie, i sprawdź je z oryginałem. Przy kodach zachowaj zera na początku. Format liczbowy lub import do arkusza może je usunąć mimo poprawnego rozpoznania.

Przykładowy dokumentCo porównać z oryginałemCo ustalić przed dalszym użyciem
FakturyIdentyfikator dostawcy, numer faktury, walutę, sumy i nagłówki ich kolumnKtóre pola muszą zgadzać się dokładnie
Raport wielokolumnowyNagłówek, kolejność kolumn i podpisy obok ilustracjiCzy wynik czyta się w poprawnej kolejności
Obrócony lub sfotografowany formularzNazwy, zaznaczone pola, pieczęcie i wpisy blisko zagięciaKtóre strony wymagają kontroli ręcznej lub ponownego skanu
Skan wielojęzycznyIdentyfikatory i treść pól w każdym językuKtóre języki spełniają kryteria odbioru archiwum

OpenBMB opisuje MiniCPM-OCR 1.0 jako model przeznaczony dla języka chińskiego i angielskiego. Zespoły pracujące z koreańskim lub stronami wielojęzycznymi powinny zmierzyć dokładność na własnych dokumentach. Praktyczny test obejmuje gęsty dokument, czytelny formularz i zdjęcie z telefonu dla każdego ważnego języka. Zapisuj rodzaj błędu zamiast uśredniać małą grupę nieporównywalnych dokumentów. Opis modelu OpenBMB

Ocena obszaru pomaga ustalić kolejność kontroli

OpenBMB udostępnia też MiniCPM-OCR Jev, osobny model oceniający rozpoznany tekst, wzory i tabele względem fragmentu obrazu. Projekt opisuje punktację jako sposób na znalezienie obszarów wymagających kontroli. W partii można ją wykorzystać do porządkowania kolejki i nadal porównywać pola o istotnych skutkach z oryginałem. Zanim punktacja zacznie kierować pracą, sprawdź, jak szereguje błędy ważne dla zespołu. Opis MiniCPM-OCR Jev w OpenBMB

Ścieżka kontroli kieruje niepewne obszary i ważne pola z powrotem do oryginalnej strony

Opcjonalna ocena obszarów pomaga wybrać kolejność kontroli. Pola związane z płatnościami, identyfikatorami lub innymi decyzjami mogą nadal wymagać bezpośredniego sprawdzenia. Ilustracja Telli.sh.

Żeby sprawdzić przydatność punktacji, przygotuj mały zbiór z kilkoma błędami, które zespół już potrafi rozpoznać. Brakujący znak w numerze części, przesunięty wiersz i zdanie z czytelnej strony sprawdzają różne rodzaje błędów. Uwzględnij też poprawne obszary. Obejrzyj przypadki, gdy model daje wysoką ocenę błędowi albo niską poprawnemu wynikowi. Omów je przed wprowadzeniem progu do procesu.

Nie ukrywaj rozbieżności. Gdy osoba sprawdzająca poprawi sumę, zachowaj pierwotny wynik OCR i zapisz poprawkę wraz z dokumentem źródłowym. Dzięki temu można sprawdzić, czy błędy grupują się wokół jednego typu dokumentu lub sposobu skanowania. Następna osoba odróżni korektę człowieka od pierwszego wyniku modelu.

O tym, czy proces nadaje się do większej skali, może zdecydować czas kontroli. Zapisuj czas rozwiązania problemu i typy stron wymagające drugiego spojrzenia. Lokalne narzędzie może oszczędzać czas przy czytelnych dokumentach, jednocześnie wydłużając kolejkę dla złych skanów. Jeśli ten sam papierowy formularz regularnie sprawia problemy, lepszym krokiem może być poprawa skanowania.

Użyj małej partii, która może zawieść na kilka sposobów

  1. Zbierz dopuszczone dokumenty próbne. Uwzględnij czytelny skan, obrócone zdjęcie i tabelę wielostronicową, z reprezentatywnym językiem i układem. Zachowaj każdy oryginał pod stałym identyfikatorem.
  2. Wybierz zatwierdzoną ścieżkę lokalną. W przypadku partii komputerowej skorzystaj z instrukcji OpenBMB i sprawdź adres usługi rozpoznawania. Zweryfikuj wymagania sprzętowe i środowiskowe przed wczytaniem plików. Oficjalna instrukcja wdrożenia lokalnego
  3. Uruchom SDK i zachowaj wynik każdego pliku. Zapisz wersję SDK, model lub kwantyzację, zaplecze i format wyjścia. Świadomie wybierz grupowanie obrazów i zachowaj źródło dla każdego wyniku. Instrukcja SDK 1.0.5
  4. Sprawdzaj pod kątem celu archiwum. Do wyszukiwania zweryfikuj kolejność odczytu, a do dalszej obróbki najważniejsze pola. Zapisz, które dokumenty przyjęto, poprawiono lub odrzucono i dlaczego.
  5. Powtórz na nowej małej partii. Użyj tych samych kryteriów. Porównaj czas do końca kontroli i możliwość prześledzenia pochodzenia. Przed zwiększeniem skali ustal, które typy wciąż wymagają obsługi ręcznej.

Dopasuj zastosowanie do swoich możliwości. Asystent pomagający wyszukiwać w skanach materiałów ze spotkań nie potrzebuje takich gwarancji poprawności pól jak narzędzie wypełniające formularz płatności za fakturę. Zacznij od wyszukiwania lub innego odwracalnego procesu, jeśli to bieżąca potrzeba. Pilotaż pokaże, które rodzaje ekstrakcji później wymagają ostrzejszej kontroli.

W archiwum pokaż jasno, co zindeksowano. Jeśli wynik wyszukiwania zawiera tylko tekst rozpoznany przez maszynę, użytkownik może uznać przekonujący tekst za rozstrzygający. Obok wyniku pokaż nazwę pliku lub identyfikator dokumentu i ułatw znalezienie strony. Jeśli ekstrakcja ma status kontroli, pokaż go. Użytkownicy będą wiedzieli, kiedy trzeba przeczytać oryginał.

W partii z jednym katalogiem wyjściowym warto przećwiczyć naprawę. Wyobraź sobie, że jeden plik się nie udaje i uruchamiasz tylko ten plik z inną konfiguracją. Sprawdź, czy pozostałe wyniki są nadal na miejscu i czy wykaz wskazuje wynik drugiego przebiegu. Nie trzeba automatyzować ponownego przetwarzania. Chodzi o to, czy można poprawić jeden wynik bez utraty informacji o pozostałych plikach.

Partia ma wartość, gdy każdy wynik prowadzi do strony źródłowej

Aktualizacja SDK MiniCPM-OCR zmniejsza pracę potrzebną do osobnego przesyłania każdego pliku. Reszta zależy od zasad archiwum. Zachowaj granice dokumentów, wybierz miejsce przetwarzania obrazów i dostosuj weryfikację pól do następnego etapu. Gdy ktoś za miesiąc znajdzie liczbę w wyniku, powinien móc otworzyć jej stronę i zobaczyć, co miał przed sobą parser.

Źródła


Aby zachować decyzje z przeglądu archiwum dokumentów w postaci, którą można przeszukiwać, załóż konto Telli.sh.


← Wróć do bloga