ARTICLE · 1295468
小米开源Xiaomi-OCR-0文档理解模型
小米官方 10 月 30 日宣布开源轻量级文档理解模型 Xiaomi-OCR-0：参数规模 0.8B，模型权重与推理代码同步上线 Hugging Face 与 GitHub。
官方定位是用一个模型同时覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。下文成绩与产品状态均转述自 IT之家 10 月 30 日的小米官方信息，未经独立实测。
01三类任务
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 与 LaTeX。
关键信息抽取 面向发票、收据、卡证与业务表单，按指定字段输出 JSON 等结构化数据。
OCR 视觉问答 允许围绕文档与图表做跨区域检索、数值计算与语义推理，不止于文字转写。小米称这一组合覆盖了从文字感知到内容理解的链路。
图片来源：IT之家
02训练与成绩
基座与数据 模型基于 Qwen3.5-0.8B-Base 构建，训练累计使用约 1.7 亿条样本。正文、表格、公式等区域由多个 OCR 专家模型交叉校验、投票筛选高置信标注。
复杂表格与公式 采用「预测—重渲染—视觉比对」：把候选解析结果重新渲染成图像，与原始文档区域比对，定位行列错位或符号缺失后定向修正。训练分文本锚定、持续预训练与混合任务强化学习三个阶段。
小米披露的成绩
OmniDocBench v1.6 得 96.83 分，位列总榜第二，与榜首相差 0.04 分；UniMER-Test 得 97.84 分，PubTabNet 得 92.27 分。
五项平均 DocVQA、InfoVQA、ChartQA、OCRBench、TextHQA 平均为 83.2 分，
高于同组的 HunyuanOCR-1.5、TokenVL-2B、TextHawk2 与 MiniCPM-V-4.5，低于 Qwen3.5-4B 的 84.9 分。
03落地与入口
手机端 小米称相关技术已用于「超级小爱」：短按 AI 键、三指上滑可提取取餐码、取件码等时效信息；识屏可抽取交易金额等字段用于记账；拍摄发票、证件可提取字段并生成日程卡片。
图片来源：IT之家
开发者入口 除权重与推理代码外，小米还提供浏览器交互式 Demo、MCP 服务与 Agent Skill 工具包。
IT之家 · 2026-10-30 · 小米开源 0.8B 参数 OCR 小模型：打通文档解析与视觉问答，支持 Markdown 与 JSON 输出
MarkTechPost · 2026-10-30 · Samaya AI Releases Sterling: A 3B-Active Finance Research Agent Model that Beats Claude Fable 5.1 on FrontierFinance at 11x Lower Cost
量子位 · 2026-10-30 · 英伟达团队基于 MiniMax H3 开源视频增强方案，最高支持 4K 重生成
OpenAI 官方 · 2026-10-30 · Making it easier for websites to express AI training preferences
OpenAI 官方 · 2026-10-30 · Community safety report and new protections for teens
IT之家 · 2026-10-30 · 华为官宣 Mate 90 系列手机小艺升级，超百款应用接入帮记和触发式 AI 能力
爱范儿 · 2026-10-30 · Fable 5.5测试曝光，Claude每次回答后，还会执行一条你看不到的指令
