小米开源 0.8B 文档模型,五项平均 83.2,一张消费卡就能跑

一张 1.75GB 的权重文件，在 OmniDocBench v1.6 上拿到 96.83 分。榜首那个模型 1.2B 参数，只比它高 0.04 分。

模型叫 Xiaomi-OCR-0，参数 0.8B。10 月 30 日小米对外宣布开源，可权重早在 9 月 30 日就挂上了 Hugging Face，技术报告也是那天发的。

中间隔了一个月。中文技术圈的实测文章先出来，官方声量反而落在后面。

一个模型干三件事

做文档智能化，过去要拼三套东西。版面分析一套，文字识别一套，字段抽取再一套。Xiaomi-OCR-0 把这三件塞进同一个权重文件。

第一件是文档解析。整页丢进去，正文，表格，数学公式按阅读顺序还原成 Markdown。表格按 OTSL 结构输出，公式转 LaTeX。OTSL 是给机器读的表格标记，官方附了转 HTML 的脚本，转完就能编辑。

第二件是关键信息抽取。发票，收据，身份证，银行卡，业务表单，你指定字段，它按字段定位，输出 JSON。接自动化流程，不用再写一堆规则。

第三件是视觉问答。围绕文档和图表做跨区域检索，数值计算，语义推理。不只是把字认出来。

分数摆出来

官方模型卡上，这几项成绩挨着写。OmniDocBench v1.6 拿 96.83，总榜第二，1B 以下第一。Real5-OmniDocBench 拿 95.24，在这几款里排第一。Wild-OmniDocBench 是 87.94。

专项里，公式识别 UniMER-Test 97.84，表格结构 PubTabNet 92.27。古籍和书法那一组，Chronicles-OCR 拿 73 分。小米把它跟闭源模型 Seed 2.0 Pro 的 72 分放在一起说，意思是打平。

图1、官方模型卡上的成绩与排名

标题里的 83.2，是五项视觉问答基准的算术平均。DocVQA 93.1，InfoVQA 75.1，ChartQA 84.6，OCRBench 也 84.6，TextVQA 78.6，五项加起来除以五，正好 83.2。

图2、文档解析的六款模型对比

83.2 这个分数，得跟参数量一起看。2B 的 Qwen3.5-2B 拿 80.9，8B 的 MiniCPM-V-4.5 拿 82.6，7B 的 TextHawk2 拿 78.5。只有 4B 的 Qwen3.5-4B 跑到 84.9，比它高 1.7 分。

0.8B 站在什么位置

官方放了一张参数效率图，横轴是参数量，纵轴是分数。0.8B 这一档只有两个点，Xiaomi-OCR-0 在上面那个。再往右，1.2B 的 TeleOCR 也只多 0.04 分。

图3、OmniDocBench 的参数效率分布

解析这一侧，它贴着 1.2B 的 TeleOCR。后者 96.87，它 96.83，参数只有三分之二。

问答这一侧更明显。8B 的 MiniCPM-V-4.5 在 82.6，它在 83.2，参数差十倍。

图4、五项视觉问答的参数效率

1.7 亿样本，三道工序

底座是 Qwen3.5-0.8B-Base，训练用了约 1.7 亿条 OCR 与文档理解样本。一个 0.8B 的模型吃下这个量级，是它敢跟大模型排进一张表里的底气。

数据不是直接喂进去。第一道是异构专家共识，让一批 OCR 专家模型同时对正文，表格，公式出标注，再按 1-NED，TEDS，CDM 这些专项指标投票，取三家一致的结果。

技术报告里的专家池有八款。PaddleOCR-VL-1.6，MinerU2.5-Pro，GLM-OCR，dots.mocr，HunyuanOCR-1.5，TeleOCR，OvisOCR2，Qianfan-OCR。既有老牌工具，也有同期竞品。

第二道是渲染引导校验。表格和公式的候选结果重新渲染成图，跟原图做像素级和结构级比对。行列错位，符号缺失，这一步能抓出来。

第三道是定向合成。按版面复杂度，字体形态，物理退化三个维度挖短板，补多语种，古籍手写，屏幕摩尔纹，扭曲光照。

训练分三段。先是 Q-Mask 文本锚定，把文字 Token 和它在页面上的位置对齐。再是 OCR 持续预训练，百亿级 Token 的多任务混合。最后是混合任务强化学习，奖励信号用结构编辑距离，表格匹配度，问答准确率。

团队还总结出一条规律。解析基础没打牢的时候，过早掺进高层理解任务，早期阶段反而掉 0.33 分。等解析稳了再加，中期涨 0.64 分，晚期又涨 0.07 分。

一张消费卡装得下

权重文件 1.75GB，许可证 Apache 2.0。整个仓库连示例图和评估脚本加起来，1.77GB。

图5、仓库里权重文件 1.75GB

这个体积，一张普通显卡装得下，退一步纯 CPU 也能跑。官方示例按 cuda，mps，cpu 三种设备给了分支。社区把它转成 BF16 的 Ollama 包，约 1.8GB，一条命令拉下来就能起服务。

更说明问题的是手机端。小米说这套能力已经进了超级小爱。短按 AI 键，三指上滑，或者喊一句记一下，就能把屏幕上的信息抽出来。

取餐码，快递取件码，排队号，会被提到显眼的位置。账单详情里，交易金额，商户，时间，类别一次性抽出来记账。群里的会议通知，海报上的时间地点，直接生成日程卡片。

OCR 从按页调 API，变成装在自己机器里的一个能力。

这是参数小带来的直接变化。

它的边界

榜首的 TeleOCR 还是第一。96.87 对 96.83，差 0.04 分，参数是 1.2B。

Wild-OmniDocBench 那张表里还藏着一个数字。TeleOCR 的 88.53 比它的 87.94 高 0.59 分，这一项官方没在模型卡上展开说。

官方自己做过一组对照。同样从 0.8B 扩到 4B，解析分数只涨 0.15 分，理解分数涨了 4.9 分。解析这一侧它已经贴到天花板，理解那一侧还留着空间。

所有分数都是小米自己跑的。对比表里部分对手的 Real5 一栏是空的，说明原始来源没报这一项。评估配置公开在仓库里，能不能复现，得自己验。

一个 0.8B 的模型，把文档解析做到 1B 以下的头名，把体积压到 1.75GB。对做文档处理的人来说，原来按页付费的活儿，现在可以搬回本地。

TeleOCR 领先的那 0.04 分还能守多久。识屏这套能力能不能走出手机，落进多少条企业流水线。