产品简介
Xiaomi-OCR-0 是小米开源的文档理解模型，0.8B 参数，基于 Qwen3.5-0.8B-Base 训练，用约 1.7 亿条 OCR 与文档样本喂出来。它的定位是让一个小模型同时干三件事：把整页文档按阅读顺序转成结构化结果、按指定字段从票据里抽出 JSON、围绕文档与图表做视觉问答。
这条线的价值不在参数规模，而在部署位置。权重与推理代码在 Hugging Face、ModelScope 与 GitHub 以 Apache 2.0 放出，社区打的 Ollama 包（bf16）只有 1.8GB 左右，一台笔记本就装得下。官方同时提供了浏览器 Demo、MCP 服务与 Agent Skill 工具包，Agent 装好之后就多了图片解析、PDF 解析、字段抽取、图片问答四个工具。
成绩上它把重点放在真实采集场景。模拟扫描、纸张弯曲、屏幕翻拍、光照变化与倾斜拍摄的 Real5-OmniDocBench 拿到 95.24 分，官方对比表里排第一；综合的 OmniDocBench v1.6 得 96.83 分，在 1B 以下参数模型中排第一，与榜首只差 0.04 分。五项视觉问答基准平均 83.2 分。权重的技术报告 9 月 28 日公开，10 月 30 日小米官方把完整入口面向开发者发布。
核心功能
- 整页解析成 Markdown：识别正文、表格与公式并按阅读顺序输出，表格转成 HTML、公式转成 LaTeX，整页一次出结构化结果。
- 按字段抽 JSON：面向发票、收据、卡证与业务表单，按指定字段定位后直接返回 JSON，金额、商户、日期可以进记账与报销系统。
- OCR 视觉问答：不只是转写文字，可以围绕文档与图表做跨区域检索、数值计算与语义推理，问合同里的付款日期或图表最高值。
- 区域与整页两种模式：版式规整的印刷文档走区域并发，先用版面模型框出标题、正文、表格再并行识别；手写、古籍与不规则版面走整页，避免切错区域丢上下文。
- MCP 与 Agent Skill：仓库自带 SKILL.md、MCP 服务与安装脚本，Agent 配好之后直接获得图片解析、PDF 解析、字段抽取与图片问答四个工具。
- 小到能本地跑：0.8B 权重配社区 bf16 包约 1.8GB，支持 SGLang 与 vLLM 两种推理服务，Python 3.10 以上即可部署。
适合谁用
以下类型的用户会特别受益于 Xiaomi-OCR-0：
- 财务把一叠发票与收据丢进去，按金额、商户、日期抽出 JSON 再进报销流程。
- 知识库入库前先把扫描件与 PDF 解析成 Markdown，表格结构也能跟着保留。
- 手机端已经落地：短按 AI 键或三指上滑，把屏幕上的取餐码、取件码、排队号提出来。
- 合同与证照按字段抽取，把关键条款与证件编号结构化后接进业务系统。
- 古籍、手写与书法类材料走整页模式，做长尾场景的文字提取。
- 本地跑一份，处理不便出网的文档，模型与文件都不离开设备。
优点亮点
- 0.8B 参数在文档解析基准上排到 1B 以下第一，参数效率突出。
- 解析、字段抽取、视觉问答三类任务收在同一个模型里，省掉拼多个工具。
- 输出直接是 Markdown、HTML 表格、LaTeX 与 JSON，下游能接着用。
- Apache 2.0 放出权重与代码，商用与二次训练都没有额外门槛。
- 自带 MCP 服务与 Agent Skill，接智能体只需装一次。
- 官方验证过的手机端场景，说明模型在真实拍照与屏幕内容上稳得住。
价格与方案
Apache 2.0 开源。模型权重可从 Hugging Face 与 ModelScope 下载，推理代码、浏览器 Demo、后处理、评测流程、MCP 服务与 Agent Skill 都在 GitHub 的 SeerRay-Lab/Xiaomi-OCR-0 仓库。本地部署要求 Python 3.10 以上，支持 SGLang 与 vLLM；社区另提供 Ollama 包，bf16 版本约 1.8GB。区域模式需要额外安装 PaddlePaddle、PaddleX 与 PP-DocLayoutV3 版面检测模型。官方托管 API 尚未公布定价。
总结与建议
Xiaomi-OCR-0 押的是文档这条路能用一个足够小的模型走完。过去做票据与合同处理，常见做法是版式检测、表格识别、公式识别、字段抽取各接一个服务，拼起来的工程成本往往高过模型本身；它把这几段压进同一个 0.8B 权重，输出还统一成 Markdown 与 JSON，接入成本就落到了装一个包的量级。对要处理扫描件、又不便让文件出内网的场景，这种体积和许可组合比多几分基准分更有用。
版本演进
- Xiaomi-OCR-0 收录：0.8B 文档理解模型开源 （2026-10-31）：收录时形态：基于 Qwen3.5-0.8B-Base 训练，约 1.7 亿条 OCR 与文档样本，单个模型覆盖文档解析、关键信息抽取与 OCR 视觉问答。OmniDocBench v1.6 得分 96.83，1B 以下参数模型中排第一，与榜首相差 0.04 分；Real5-OmniDocBench 95.24 分，UniMER-Test 97.84 分，PubTabNet 92.27 分，五项视觉问答基准平均 83.2 分。Apache 2.0 放出权重与推理代码，另提供浏览器 Demo、MCP 服务与 Agent Skill，社区 Ollama 包约 1.8GB；相关技术已用于手机端超级小爱的识屏取码与记账。