手里有一批中文票据和表格，想知道 MiniCPM-OCR 能不能直接用，答案通常不在模型名上，而在票据的版面和语言组合上。稳妥的做法是先挑 6 张左右能覆盖横排与竖排、有线表格与无线表格、印刷与手写的图片跑一遍，看它在哪一类版式上开始丢行、错列或串行，再决定是接入现有流程、加人工复核，还是换方案。下面这套流程只依赖配置文件、日志和脚本输出，不需要额外环境就能判断边界。

MiniCPM-OCR 对中文票据的可用性，应按版面类型分别判断，而不是笼统问“识别得准不准”。建议先取横排印刷、有线表格、含手写或竖排的票据各两张跑通单张推理，记录输出形态与失败位置；对失败样本再做放大、灰度、二值化、旋转校正的对照，能把输入质量问题和模型能力边界分开。只有在可用版面清单明确、且失败类型可枚举之后，再谈接入；印章覆盖、密集手写和无框线表格这类版面，需要预留人工复核位。

挑三类票据各两张做最小样本集

不要拿一张图下结论。单张图往往同时具备“印刷体、横排、有表格线”几个有利条件，跑通之后很容易误以为整批票据都能过。最小样本集的作用是把版面维度拉开，让失败在早期暴露出来。

建议按下面几个维度各取一份，总数控制在 6 到 10 张：

• 排版方向：横排为主、竖排或混合排版；
• 表格形态：有完整框线、只有横线或竖线、完全无框线靠留白对齐；
• 文字来源：印刷体、手写填单、印刷与手写混排；
• 附加干扰：盖章覆盖文字、二维码或条码、折痕与阴影、透视倾斜；
• 语言构成：纯中文、中英混排、数字与中文大写金额并存。

文件命名直接带上维度，后面排查时不用反复打开图片猜。建议用“类别_版式_干扰_序号.png”的形式，类别如 invoice、receipt、form，版式用 hr 表示横排、vt 表示竖排、tbl 表示有线表格、notbl 表示无框线，干扰用 stamp、hand、qr 标注：

samples/
  invoice_tbl_stamp_01.png
  invoice_notbl_02.png
  receipt_hr_hand_01.png
  receipt_vt_02.png
  form_tbl_hand_03.png
  form_notbl_qr_04.png

目录保持平铺即可，不要一开始就做多层分类，命名已经足够区分。每张图额外记一条备注，写清“这张我预期它能不能识别”，跑完后用来对照自己的预判是否成立。

跑通单张图的推理脚本骨架

先确认输入输出形态，再谈识别效果。MiniCPM-OCR 这类模型在不同仓库里的加载方式和返回结构不一致，有的返回纯文本，有的返回带坐标的 JSON。脚本不要写死接口名，按实际仓库 README 替换加载和调用两处即可。

from pathlib import Path
import json
from PIL import Image

MODEL_DIR = "path/to/MiniCPM-OCR"      # 替换为实际下载路径
IMG_DIR = Path("samples")
OUT_DIR = Path("runs/baseline")

def load_model(model_dir):
    """按仓库文档替换：可能是 AutoModel + trust_remote_code，
    也可能是仓库自带 pipeline 或 CLI 封装。"""
    raise NotImplementedError

def read_image(path):
    return Image.open(path).convert("RGB")

def run_ocr(model, image, prompt=None):
    """返回结构由仓库决定，这里统一包一层 {text, raw}。"""
    raw = model.generate(image, prompt=prompt)   # 按实际签名替换
    return {"text": raw if isinstance(raw, str) else None, "raw": raw}

def save_result(name, result):
    OUT_DIR.mkdir(parents=True, exist_ok=True)
    (OUT_DIR / f"{name}.json").write_text(
        json.dumps(result, ensure_ascii=False, indent=2), encoding="utf-8"
    )

if __name__ == "__main__":
    model = load_model(MODEL_DIR)
    for img_path in sorted(IMG_DIR.glob("*.png")):
        result = run_ocr(model, read_image(img_path))
        save_result(img_path.stem, result)
        print(img_path.name, type(result["raw"]).__name__)

第一次运行只跑一张，先打印返回对象的类型和字段名（是 str、dict 还是带 bbox 的 list），确认结果里有没有坐标信息。落盘时保留原始返回，不要只存清洗后的文本，否则后面标注失败位置时缺少定位依据。执行位置建议在模型目录下的虚拟环境中，输出统一进 runs/baseline，便于和预处理版本对比。

逐张标注识别失败的版面类型

“效果差”不是可用信息。要把失败归到具体版式和一个可描述的位置上，才能判断是偶发还是结构性限制。

建议用一个 csv 或表格逐张记录，字段固定下来：

失败类型建议收敛成四类，便于统计：缺行（整行没出来）、错列（内容出现但归错字段）、串行（两行合并成一行或顺序错乱）、字符级错误（文字位置对但个别字或数字识别错）。每条记录都要能回答“这张图长什么样”，而不是只写“识别不准”。如果模型返回了坐标，把异常框的坐标一并记下，后续调预处理时有参照。

用同一批样本做图片预处理对照

失败到底来自输入质量还是模型能力，靠对照能分开。做法是让原始样本和预处理后的样本走同一个推理脚本，输出到不同目录，逐张比对同一位置是否还错。

from PIL import Image, ImageOps

def upscale(img, factor=2):
    w, h = img.size
    return img.resize((w * factor, h * factor), Image.LANCZOS)

def to_gray(img):
    return ImageOps.grayscale(img).convert("RGB")

def binarize(img, thresh=180):
    g = ImageOps.grayscale(img)
    return g.point(lambda p: 255 if p > thresh else 0).convert("RGB")

def rotate(img, angle):
    return img.rotate(angle, expand=True, fillcolor="white")

VARIANTS = {
    "raw": lambda im: im,
    "up2x": upscale,
    "gray": to_gray,
    "bin180": binarize,
    "rot_deg": lambda im: rotate(im, 2),   # 角度按肉眼或投影估计填
}

每个变体输出到 runs/up2x、runs/gray 这类独立目录，文件主名保持不变，方便和 baseline 一对一对照。比较时不用看全文，只盯失败记录表里那几行：某张图在 baseline 缺行，放大后补齐了，说明是分辨率不足；灰度或二值化后印章覆盖处恢复，说明干扰主要来自颜色；旋转校正后串行消失，说明是倾斜导致的行切分错误；四种变体都没改善，才更可能是版式或语言本身超出了模型的处理范围。二值化阈值不要一次调很多档，先在 150 到 200 之间取一两档看趋势，避免把调参当成结论。

整理能否接入的判断清单

试跑之后的产出应该是一份分档清单，而不是一句“可以用”。三档划分如下，判定理由必须来自上面的记录表，不能凭印象。

落到执行时，把每张样本的图片名填进对应档位，清单本身就是接入依据：可用档先接入并保留原图与输出日志，用于事后追查；复核档在流程里加一个字段级校验位，金额、日期、票号三类字段重点比对；不建议使用的版面直接在前置环节分流出去，不要让它进模型再靠后处理兜底。另外提醒一点，边界会随票据来源变化，换一批供应商或地区的票据时，用同样 6 张的样本集重跑一次这套流程，比沿用旧结论稳妥。