1B的MiniCPM-OCR和百度Unlimited v2并排跑，示例页不算数

OCR模型又下雨了。

OpenBMB这次放出MiniCPM-OCR，1B参数，做文档解析。Niels Rogge在X上发了消息，顺手搭了一个Hugging Face Space，把MiniCPM-OCR和百度的Unlimited OCR v2放在同一页上对比。对比入口在文末。

界面里左边上传页面图，可以拖放、粘贴或者点击上传，示例给的是带公式的论文页和带表格的报告。右边两个窗口并排跑。MiniCPM-OCR 1.0先用PP-DocumentLayoutV3做版面检测，再让MiniCPM-OCR读每个区域。Unlimited-OCR-2走另一种流程，一次解析整页，布局和文本一起出，调用的是百度官方Space。这个对比页把两条技术路线的差异摆在明面上，省得只看一张输出截图猜。

演示页有天然问题。Jerry Liu在回复里指出，测试页是莎士比亚的Sonnet 66，答案公开，错读一眼能抓。MiniCPM把版面识别对了，草书单词上出错：purest faith unhappily forsworn 被读成 proudest faith unhappily forward。用已知文本做测试是聪明做法，错误藏不住。换成手写、模糊扫描、表格跨页，错误率才见真章。

评论区的追问比演示页更有信息。Tina问旋转扫描加合并表格单元格时，MiniCPM和百度谁先丢阅读顺序。suka留了一句，每个OCR模型都是SOTA，直到表格跨两页。话像玩笑，做文档解析的人知道这不是小问题。AI Engine Room问会不会测更脏的输入，旋转扫描和跨页表格。Keyless Bitcoin直接要同一页集、按类别给错误率，不然只是demo。E1ev3n提到自己以前按干净演示页选模型，放到扫描表格上就崩，所以现在先测脏页。Mauro S.在回复里贴了自己的UnlimitedOCR V2引擎，说兼容M系列，有Python wrapper和动态4-bit量化，链接也给了。

这些反馈指向同一件事。并排Space有价值，它让比较从口头宣传变成可复现的页面。但并排跑一张干净页面，不等于模型在真实文档里可靠。1B参数是个有吸引力的卖点，成本、部署、本地运行都可能受益。百度的Unlimited OCR v2强调整页一次解析，流程更短。两边调用的路径不同，比较时要把流程差异一起看。

现在最该做的不是给谁封SOTA。打开Space，拿自己最脏的扫描页跑一遍。带公式的论文页、跨两页的表格、旋转过的发票、合并单元格的报告，各来一张。看输出顺序，看公式是否散架，看表格有没有串列。评论区已经有人把问题列出来了，剩下的就看对比页能不能接住。