概览
Xiaomi-OCR-0 是小米开源的 0.8B 参数 OCR 专用视觉语言模型，一个模型同时做文档解析、OCR 问答和关键信息抽取。模型从 Qwen3.5-0.8B-Base 出发，用约 1.7 亿条 OCR 相关样本，依次经过 Q-Mask 文字定位对齐、OCR 继续预训练和混合任务强化学习（Mix-RL）训练。官方模型卡给出的成绩：Real5-OmniDocBench 95.24（第 1），OmniDocBench v1.6 96.83、Wild-OmniDocBench 87.94（均第 2），UniMER-Test 公式识别 97.84，PubTabNet 表格识别 92.27，Chronicles-OCR 古籍书法 73（与 Seed 2.0 Pro 的 72 相当），五项 OCR 问答平均 83.2。权重和技术报告于 2026 年 9 月 30 日发布，2026 年 10 月 30 日小米正式对外宣布；采用 Apache 2.0 许可，可用 Transformers 直接运行，社区已有 GGUF 量化、NInfer BF16 转换和实验性 Ollama 版本。以上成绩均为官方数据。来源：https://huggingface.co/xiaomi-research/Xiaomi-OCR-0 、https://github.com/xiaomi-research/Xiaomi-OCR-0 、https://arxiv.org/abs/2609.36136 （2026-10-31 核对）。 定价：开源模型，可自行部署；官方未提供按百万 tokens 计价的 API，输入 / 输出价留空。
- 模态
- 多模态
- 参数量
- 0.8B（873,438,784 参数，BF16；基于 Qwen3.5-0.8B-Base）
- 许可说明
- 开源 · Apache 2.0
能力
- 文档解析：整页文档按阅读顺序输出 Markdown，表格用 OTSL、公式用 LaTeX，忽略页眉页脚
- 区域识别：单独识别文字区域、表格区域（OTSL）和公式区域（LaTeX）
- 关键信息抽取（KIE）：给出 JSON schema，直接输出 JSON 对象
- OCR 问答：DocVQA、InfoVQA、ChartQA、OCRBench、TextVQA 五项平均 83.2，官方称超过 Qwen3.5-2B（80.9）
- 鲁棒与手写：扫描、弯曲、拍照、倾斜等翻拍文档也稳定；古籍书法 Chronicles-OCR 得分 73；可用 Transformers 运行，社区有 GGUF 和 Ollama（实验）版本
