GitHub-радар
Превращай сканы и фото документов в текст, таблицы и формулы
MiniCPM-OCR — пара небольших моделей, которые распознают текст в сканах и фото документов и отдают результат в виде Markdown, таблиц и формул. С ними можно оцифровать свои документы без ручной перепечатки, проверяя только сомнительные места.
Это пара AI-моделей для чтения документов: одна разбирает скан или фото в текст, вторая оценивает, каким кускам результата не стоит доверять.
Когда пригодится
Пригодится для разовой оцифровки документов на китайском или английском — договоров, чеков, старых книг. Не нужен для других языков и не заменяет универсального ассистента.
Плюсы
- Работает без видеокарты на обычном ноутбуке
- Модель-проверяльщик отмечает только сомнительные куски, а не весь текст
- Лидирует среди открытых моделей в нескольких тестах разбора документов
- Есть бесплатный онлайн-API без установки чего-либо
Минусы
- Понимает только китайский и английский текст
- Для быстрого разбора больших пачек нужен GPU-сервер
- Узкая задача, не универсальный ассистент
Как поставить — по шагам
- 1Открой агента для кода (Claude Code, Codex) в папке своего проекта.
- 2Отправь агенту текст из блока ниже.
- 3Если агент спросит про движок запуска — Ollama, llama.cpp или vLLM — выбери любой.
- 4Дай агенту свой PDF или фото документа для разбора в Markdown.
- 5Проверь результат и куски, которые модель-проверяльщик отметит как сомнительные.
- 6Не хочешь ставить ничего локально — попробуй бесплатный онлайн-API.
Текст для агента
Текст для шага с агентом — скопируй и отправь (Claude Code, Codex, любой):
Разверни MiniCPM-OCR отсюда: https://github.com/OpenBMB/MiniCPM-OCR — выполни шаги из SKILL.md, как советуют авторы (поставь окружение, скачай модель, разбери любой мой PDF или фото документа в Markdown) и покажи результат. Спроси меня, если понадобится выбрать движок — Ollama, llama.cpp или vLLM.
Через Ollama или llama.cpp — модель весит всего 1,3 млрд параметров (плюс отдельная 2-миллиардная модель-проверяльщик), это должно пойти на обычном ноутбуке без видеокарты. Для максимальной скорости авторы использовали NVIDIA-видеокарту RTX 5090 с 32 ГБ памяти — такой режим нужен только для разбора документов пачками.
Открыть на GitHub▌ Ещё находки