小米开源 Xiaomi-OCR-0：0.8B 参数覆盖文档解析、信息抽取与视觉问答

据 IT之家 10 月 30 日报道，小米宣布开源轻量级文档理解模型 Xiaomi-OCR-0，模型权重与推理代码已在 Hugging Face 和 GitHub 上线。该模型参数规模为 0.8B，以单一模型覆盖文档解析、关键信息抽取和 OCR 视觉问答，并提供浏览器交互式 Demo、MCP 服务及 Agent Skill 工具包，面向文档处理与智能体工作流开放集成。

不只识别文字，还要输出可用的数据

Xiaomi-OCR-0 的定位并非单纯把图片转成文字，而是进一步处理版面结构、字段关系和内容含义。对需要将纸质材料、截图或扫描件接入软件流程的开发者而言，输出是否便于后续程序使用，是这类模型的重要价值。

• 文档解析：识别正文、表格与数学公式，按阅读顺序输出结构化结果，原生支持 Markdown、LaTeX。
• 信息抽取：面向发票、收据、卡证及业务表单，按指定字段定位内容，输出 JSON 等结构化数据。
• 视觉问答：围绕文档与图表进行跨区域检索、数值计算和语义推理，而不止于文字转写。

这意味着，同一份材料可以被转换为适合阅读的文档，也可以变成业务系统可接收的字段，或作为问答对象。从“读出文字”转向“理解并交付结果”，是其与传统 OCR 工具定位上的主要区别。

小参数模型背后，重点是数据与校验

据小米披露，该模型基于 Qwen3.5-0.8B-Base 构建，累计使用约 1.7 亿条 OCR 与文档理解训练样本。数据处理采用多个 OCR 专家模型交叉校验、投票筛选的方式，为正文、表格和公式生成高置信标注。

针对复杂表格与公式，团队将预测结果重新渲染成图像，再与原始区域进行像素和结构比对，以发现行列错位、符号遗漏等问题。同时，训练数据补充了多语种、古籍手写、屏幕摩尔纹及扭曲光照等困难场景。训练则分为文本空间锚定、OCR 持续预训练和混合任务强化学习三个阶段。

官方评测显示，Xiaomi-OCR-0 在 OmniDocBench v1.6 上得分 96.83，位列总榜第二、1B 以下参数模型第一；在模拟扫描、纸张弯曲等五类采集方式的 Real5-OmniDocBench 上得分 95.24。在五项文档理解基准的平均成绩中，其得分为 83.2。不过，这些成绩来自小米公布的评测与对比，具体业务中的效果仍需结合材料类型、拍摄质量和字段要求验证。

对自动化与手机助手意味着什么

小米称，相关技术已用于手机端“超级小爱”，支持提取屏幕中的取餐码、取件码、排队号，也可用于账单字段提取、拍照识别卡证，以及从会议通知或海报中提取时间地点生成日程卡片。

从产业应用看，轻量模型与结构化输出的组合，为文档处理提供了更紧凑的技术选择；MCP 服务和 Agent Skill 工具包则让其更容易进入智能体调用链。但参数少并不直接等于任何设备都能流畅运行，实际部署仍需测试资源占用、推理速度与识别稳定性。对于财务、身份材料等场景，还应保留字段校验和必要的人工复核，避免识别错误继续传递到后续流程。