地端 AI 實驗室

🧪 1.3B 筆電跑得動：MiniCPM-OCR-1.0 讓地端發票秒變 JSON｜地端 AI 實驗室

Mark Ku

October 28, 2026•6 分鐘閱讀

Hugging Face 最近出現一款 1.3B 參數量的 MiniCPM-OCR-1.0，能讓筆電在地端秒讀複雜發票與 PDF。本期還要介紹在單張 RTX 4090 就能跑的 35B MoE 代理模型 Sage-A1.5，它如何幫你自動拆解工程需求並自我修正程式碼？等一下告訴你！這兩款主打地端、免費且採 Apache 2.0 授權的開源神兵，絕對是工程師不可錯過的利器。

本期精選

1. openbmb/MiniCPM-OCR-1.0：超輕量 1.3B 文件解析與 OCR 模型，地端發票與 PDF 結構化利器

這是什麼：這款由 OpenBMB 釋出的 MiniCPM-OCR-1.0 是一款僅有 1.3B 參數量的超輕量視覺語言模型，專攻文件解析與 OCR 任務。它採用友善的 Apache 2.0 開源授權，對商業應用非常友善，特別擅長處理繁簡中英文的文件、複雜表格與圖表。
能用在哪些場景：
- 場景一：隱私安全的發票與收據自動化處理。當軟體工程師需要開發一套完全不聯網的財務系統時，只要把發票或收據圖片輸入，利用該模型的關鍵資訊提取（KIE）功能，直接透過 Prompt 抓出商店名稱、消費日期與金額，並直接輸出成乾淨的 JSON 格式。
- 場景二：地端 RAG 系統的 PDF 文件解析 Pipeline。當你需要幫公司建置檢索增強生成（RAG）系統，面對成千上萬份包含複雜表格、數學公式與圖表的掃描檔 PDF，可以用它快速轉換成結構化的 Markdown 文本，解決傳統 OCR 格式混亂的痛點。
- 場景三：老舊或手機翻拍文獻的數位化。數位存檔人員或研究人員面對歪斜、模糊、甚至用手機在昏暗光線下翻拍的古籍與歷史文獻，可以用它精確還原文字與段落順序，連同圖表內容一起數位化。
跑得動嗎：官方 model card 標示，該模型參數量僅 1.3B，並提供了 GGUF、GPTQ、AWQ 等多種量化版本，開發者可以直接在一般的筆記型電腦或工作站上輕鬆運行 GGUF 版本。此外，官方還提供了 DSpark 推測解碼（speculative decoding）加速方案，說明中指出這能提升約 55% 的端到端處理效率，對硬體資源有限的地端環境非常友善。
本期聲量：目前在 Hugging Face 上的熱度為 111，累積了 791 次下載與 184 個讚，是一顆剛冒出頭但備受矚目的新星。
跟同類比：根據 OpenBMB 官方測試，MiniCPM-OCR-1.0 的吞吐量達到約 1.2 頁/秒。在 OmniDocBench 等多個文件解析基準測試中取得領先，官方宣稱其吞吐量約為 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。
怎麼取得：官方 README 說明指出，你可以透過 llama.cpp 直接載入 GGUF 版本來運行本地與 OpenAI 相容的伺服器，指令為：llama serve -hf openbmb/MiniCPM-OCR-1.0-gguf:Q4_K_M；或者使用 vLLM 部署，指令為：vllm serve openbmb/MiniCPM-OCR-1.0。
連結：Hugging Face 頁面連結

2. InternScience/Sage-A1.5：單張 RTX 4090 就能跑的 35B MoE 高階 AI 代理模型，主打複雜任務拆解

這是什麼：Sage-A1.5 是由上海人工智慧實驗室開源的 35B 混合專家（MoE）代理（Agentic）模型。它基於 Qwen3.6 構建，採用 Apache 2.0 授權，專門針對長流程任務執行、工具調用（Tool Calling）與代理協調進行優化。
能用在哪些場景：
- 場景一：自主程式碼代理（Autonomous Coding Agent）。軟體工程師在開發自動化寫 Code 工具時，需要模型能將複雜的系統需求拆解成多個子步驟，自動調用外部工具（如 Code Interpreter 或搜尋引擎）來測試，甚至在執行出錯時，還能自己看 Error Log 進行自我驗證與修正程式碼。
- 場景二：地端企業研發與法規情報分析。企業內部的研發人員需要進行競爭對手情報或複雜法規分析，利用該模型的代理協調（Agentic Orchestration）能力，把任務分派給多個並行的子代理去搜集資料，最後再彙整成一份完整的分析報告，全程不外洩機密。
- 場景三：科學資料集的探索性研究。科研人員面對大型、複雜的科學資料集時，需要模型進行多步驟的資料分析規劃，並根據中間產生的圖表與數據，動態調整下一步的分析策略，實現高度自主的探索。
跑得動嗎：官方技術報告與 model card 標示，Sage-A1.5 雖然是 35B 規模的 MoE 模型，但每個 Token 實際上僅會激活約 3B 參數。在 BF16 精度下，權重大小約為 65.4 GiB，而進行 4-bit 量化（Q4_K_M）後會降到約 19.6 GiB。第三方評估指出，在 Q4_K_M 量化下，該模型加上 8K Token 的上下文長度，可以完整裝進單張 RTX 4090（24 GB VRAM）中運行，讓個人工作站也能擁有強大的 Agent 能力。
本期聲量：在 Hugging Face 上人氣極高，目前熱度達 299，並擁有 8.2k 次下載與 350 個讚。
跟同類比：上海人工智慧實驗室的技術報告指出，相較於前代 Agents-A1，Sage-A1.5 在工程與代理任務上有了大幅提升。例如在 SWE-bench Pro 上提升了 17.6 分，在 SWE-bench Multilingual 上提升了 14.0 分；而在 BrowseComp 基準測試中，Sage-A1.5 取得了 81.7% 的成績，超越了前代的 75.5%。
怎麼取得：官方 README 說明指出，推薦使用 SGLang 框架來進行高效能的部署服務，啟動指令為：python -m sglang.launch_server --model-path InternScience/Sage-A1.5 --port 8000 --mem-fraction-static 0.8 --context-length 262144 --reasoning-parser qwen3 --tool-call-parser qwen3_coder。
連結：Hugging Face 頁面連結