MiniCPM-OCR 1.0 DSpark

MiniCPM-OCR 1.0 DSpark

通过起草 token、再让主模型一次性验证，加快 MiniCPM-OCR 1.0 的解码。它是草稿头，不是独立的 OCR 模型，适合自己部署文档解析的人。

由 openbmb 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MiniCPM-OCR 1.0 DSpark 是 openbmb 为 MiniCPM-OCR 1.0 文档识别模型做的小型草稿头，用于推测解码。它一次提出多个 token，主模型一次性验证。它自己做不了 OCR，所以要和主 MiniCPM-OCR 1.0 模型一起加载。

适合谁：如果你已经在运行 MiniCPM-OCR 1.0，并且希望文档处理得更快，它适合你。研究草稿模型的人也可以读一读它的设计。

Industry | Who uses it | How they use it | Example
文档处理 | 需要解析大量文档的团队 | 把草稿头和 MiniCPM-OCR 1.0 配合使用，更快完成文档 | 把一批扫描页转成 Markdown 或 JSON
推理工程 | 自己部署模型的工程师 | 把草稿头加入主检查点的服务环境 | 加上这个草稿头的自部署 MiniCPM-OCR 1.0 服务
研究 | 研究推测解码的人 | 研究小型草稿头是怎么搭建的 | 读它的五个草稿层和每次 15 个草稿 token 的设计

如果你想要能独立运行的 OCR 模型，可以跳过它，因为这个草稿头做不到。

用在哪里：

• 自部署的 MiniCPM-OCR 1.0 服务，可用 vLLM、SGLang、llama.cpp 或 Ollama
• 你自己的电脑，在装有 Python 的 Windows、macOS 或 Linux 上下载文件
• minicpm-ocr Python SDK，用来解析整份文档
• 项目为主模型提供的免费在线试用平台和 API，以及可在设备上运行的 iOS 应用

Use case | Who | What they get back
更快的文档解析 | 页数很多的团队 | 同样的解析任务，解码时间更短
自部署 OCR 服务 | 工程师 | 由主模型验证草稿 token 的服务环境
草稿模型研究 | 研究人员 | 层数和词表大小都有记录的检查点

如何设置：

• Python 和 pip
• 匹配的主检查点 MiniCPM-OCR 1.0，因为草稿头离了它无法运行
• 如果使用 SDK 的版面检测阶段，需要 PaddlePaddle 或 PaddleX
• 这个 BF16 草稿头约需 594 MB 磁盘空间

1. 安装 Hugging Face hub 包。
2. 把草稿头文件下载到你的电脑。
3. 同时获取主 MiniCPM-OCR 1.0 检查点。
4. 按项目的部署指南把两者一起部署。

pip install -U huggingface_hub
hf download openbmb/MiniCPM-OCR-1.0-DSpark

如何使用：你不用自己调用草稿头。minicpm-ocr SDK 分两个阶段解析文档，服务配置了草稿头后，它会加快第二阶段。

Tool | What it does
minicpm-ocr SDK | 运行两阶段文档解析，并生成最终的 Markdown 或 JSON
PP-DocLayoutV3 | 找出文本、表格、公式等区域，并确定阅读顺序
MiniCPM-OCR 1.0 service | 读取每个裁剪出的区域并返回内容
DSpark head | 起草 token，由主模型一次性验证

如果你手动加载草稿头，有一点需要注意。d2t 张量存的是差值，使用前要把它转换成绝对的 token ID：

d2t[i] + i

文件 local-to-target.json 里有正确的绝对 ID，可以用来核对。

示例：你把一页扫描的报告发给 SDK。它把页面切成多个区域，服务用与区域类型相符的提示词读取每个区域，你会按阅读顺序拿到 Markdown 或 JSON。

新手与专家：这是个辅助模块，不是用来和你对话的模型。它先猜接下来的几个 token，让主模型一起检查，而不是一个一个地生成。第一次尝试时，先用项目为主模型提供的在线平台，需要速度时再转向自部署。

在底层，这个草稿头有 5 层，每次前向传播提出 15 个 token，并读取目标模型五个层的隐藏状态。它的输出词表从 248,100 的输入词表裁剪到 114,688 个 token，由 d2t 映射把两者联系起来。模型卡报告说，接上草稿头后端到端处理效率提高了 55%。

页面进入 SDK
版面模型找出区域和阅读顺序
草稿头提出 token
主模型一次性验证
输出 Markdown 或 JSON

注意事项：下面是这个草稿头公布的规格和速度数据。

Property | Value
目标模型 | MiniCPM-OCR 1.0 (1.3B)
草稿参数量 | 296,837,889
草稿层数 | 5
每次前向传播的草稿 token 数 | 15
检查点精度 | BF16

Title: 接上草稿头后的吞吐量，相对其他系统的倍数
PaddleOCR-VL-1.6: 1.49 倍
MinerU2.5 Pro: 3.62 倍

• License: Apache 2.0
• Cost to run: 指南为主模型提供免费的在线试用平台和 API，自部署需要你自己的硬件
• Data it reaches: 从 Hugging Face 下载文件，SDK 会通过 HTTP 把裁剪出的区域发给推理服务，服务可以在另一台机器上
• Not for: 独立的 OCR，因为模型卡称它是草稿模型，只能和主模型一起工作

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：297M
• Weights: about 594 MB in BF16; about 148 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：12,549
• 点赞：14
• 许可证：apache-2.0
• 语言：en, zh
• 基于：openbmb/MiniCPM-OCR-1.0
• 标签：transformers, safetensors, qwen3, minicpm-ocr, dspark, speculative-decoding, draft-model, multimodal, image-text-to-text

链接

• 模型：https://huggingface.co/openbmb/MiniCPM-OCR-1.0-DSpark
• 文件：https://huggingface.co/openbmb/MiniCPM-OCR-1.0-DSpark/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download openbmb/MiniCPM-OCR-1.0-DSpark

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。