小米把文档识别塞进 8 亿参数,拿了榜首

10 月 30 日，小米发布并开源 Xiaomi-OCR-0。参数 0.8B，把三件事合在一个模型里：文档解析、关键信息抽取、OCR 视觉问答。

具体能力是这样：还原正文、复杂表格与公式，输出 Markdown 或 LaTeX；从发票、卡证直接出 JSON。

分数：Real5-OmniDocBench 上 95.24 分，在对比模型里排在最前。OmniDocBench v1.6 上 96.83 分，总榜第二、1B 以下模型里居首。五项主流 OCR 视觉问答基准平均 83.2 分，超过了 8B 的 MiniCPM-V-4.5。

一个 8 亿参数的模型，在一个 80 亿参数的模型擅长的活上赢了。这件事比分数更有意思。

小米给的解释是两条：数据引擎和训练顺序。

训练用了约 1.7 亿条高质量样本。这个量级不算夸张，关键在「高质量」三个字怎么来的——他们做了一套可扩展的数据引擎，用来压低伪标签噪声。

第二条更值得说：「先解析、后理解」的渐进式训练。传统做法是让模型端到端地学「看图出结果」，中间过程是个黑箱。小米把它拆成两步，先学会把版面结构解析对，再学会理解语义。

这个思路在工程上很朴素，但效果直接：复杂版式和长尾场景是最容易出错的地方，拆开训练等于把错误定位到了具体环节。

我用 OCR 用得不少。拍发票报销、拍合同存档、拍菜单翻译，每次都要在「识别准」和「别乱编」之间反复确认。

小模型在这件事上有天然优势：跑得动。0.8B 的模型可以放在手机端，不用把图片传到云上。这对两类人特别重要——处理敏感单据的，和网络环境不稳定的。

小米说这项技术已经进了小米手机和「超级小爱」，用在取餐码、账单、卡证、日程、航班信息的识别和后续操作上。这个落地路径说得通：手机上有大量「看一眼就要用」的信息，识别完还得能直接触发动作，比如识别到航班信息就建日程。

小米这次不只是发权重。推理代码、Demo、MCP 服务、Agent Skill 工具包都放出来了。

MCP 服务和 Agent Skill 这个组合，我理解为是给智能体用的接口。模型能识别文档只是一半，另一半是让智能体能调用它。比如一个处理报销的智能体，遇到发票就调这个模型抽字段，抽完填进表格。

这条路的门槛比想象中低。过去做文档抽取，要么买商业 OCR 服务，要么自己训模型；现在一个 MCP 端点接上去就能用。

2026 年这一年的模型发布，有个趋势越来越清楚：不是所有场景都需要大模型。

做通用对话，参数越大越好；做垂直任务，参数效率更重要。文档解析就是典型的垂直任务——输入是图，输出是结构化的文本，任务边界清楚，不需要模型懂太多世界知识。

小米这个模型在 1B 以下的档位拿了榜首，说明在这个任务上，8 亿参数已经接近饱和。再往上堆，边际收益很低。

这个判断放到别的垂直场景也成立：语音转写、表格抽取、工业质检的图像判别，都是小模型能打到极致的地方。

榜单分数是小米自己报的，我看到的对比模型名单不完整。第三方复现的结果还没出来，这一点得打个问号。

另外，「1B 以下居首」和「总榜第二」是两个不同口径的评价。总榜第二意味着它整体上只输给一个模型，那个模型是谁、大多少，小米没说。这个信息缺失会让人高估它的位置。

我的看法是：这个模型值得关注，但更适合作为「小模型能做垂直任务」的一个样本，而不是「8 亿打赢 80 亿」的结论。前者站得住，后者需要更多独立评测。

如果你在做一个需要处理文档的产品，现在多了一个选项，而且是能私有化部署的选项。

0.8B 的模型对硬件要求很低，一张消费级显卡甚至核显都能跑。这意味着数据不用出本地，合规压力小很多。

代价是能力边界。它擅长的是「把版面还原对、把字段抽准」，不擅长理解超出文档范围的东西。要它回答「这份合同有什么风险」，还是得靠大模型。

分工才是正解：小模型干识别，大模型干判断。这条线在 2026 年越来越清楚，也越来越便宜。