小米开源0.8B OCR模型 文档解析1B以下第一

时间：2026年10月30日晚，小米官方宣布开源轻量级文档理解模型 Xiaomi-OCR-0；对应的技术报告在模型发布前已提交至 arXiv，提交日期为 2026 年 9 月 28 日。 地点：线上发布。模型权重与推理代码同步上架小米官方 Hugging Face 与 GitHub 账号，并提供浏览器交互式 Demo、MCP 服务和 Agent Skill 工具包，面向全球开发者直接取用。 人物：小米技术团队，模型托管在 xiaomi-research 账号下，实验室标识为 SeerRay；arXiv 技术报告《Xiaomi-OCR-0 Technical Report》署名作者共 10 位。 事件详情：10 月 30 日晚，小米官方宣布开源轻量级文档理解模型 Xiaomi-OCR-0，官方给出的参数规模为 0.8B（8 亿），定位是用单一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，模型基于 Qwen3.5-0.8B-Base 基座构建。文档解析方向，模型可识别正文、表格与数学公式，按自然阅读顺序输出结构化结果，原生支持 Markdown 与 LaTeX 格式；关键信息抽取面向发票、收据、卡证和业务表单，按指定字段定位并输出 JSON 等结构化数据；OCR 视觉问答支持围绕文档与图表做跨区域检索、数值计算和语义推理，而不只是文字转写。训练方面，团队累计使用约 1.7 亿条 OCR 与文档理解样本，数据侧用异构专家共识机制让多个 OCR 专家模型交叉校验并投票筛出高置信标注，对复杂表格和公式引入“预测—重渲染—视觉比对”的闭环校验，并按版面复杂度、字体形态与物理退化因素定向合成多语种、古籍手写、屏幕摩尔纹、扭曲光照等长尾样本；训练分三阶段推进，Q-Mask 文本锚定强化视觉区域与文字 Token 的空间对应，OCR 持续预训练以百亿级 Token 的多任务混合数据打底，混合任务强化学习以结构编辑距离、表格匹配度和问答准确率作为可验证奖励信号。官方评测显示，在由扫描、纸张弯曲、屏幕翻拍、光照变化和倾斜拍摄五种真实采集方式构建的 Real5-OmniDocBench 上，模型得分 95.24，在官方对比模型中排名第一，在 Wild-OmniDocBench 上得分 87.94；综合基准 OmniDocBench v1.6 得分 96.83，位列总榜第二，与榜首相差 0.04 分，在 1B 以下参数模型中排名第一；公式识别基准 UniMER-Test 得分 97.84，表格结构识别基准 PubTabNet 得分 92.27；在涵盖隶书、草书、行书与楷书的古籍与书法评测集 Chronicles-OCR 上得分 73，小米称这一成绩与闭源模型 Seed 2.0 Pro 的 72 分处于同一水准；文档理解方面，Xiaomi-OCR-0 在 DocVQA、InfoVQA、ChartQA、OCRBench 和 TextVQA 五项基准上的平均分为 83.2，高于 HunyuanOCR-1.5（1B，76.5）、TokenVL-2B（78.1）、TextHawk2（7B，78.5），也高于通用多模态模型 Qwen3.5-2B（80.9）与 MiniCPM-V-4.5（8B，82.6），逼近 Qwen3.5-4B 的 84.9 分。落地层面，小米称相关技术已用于手机端“超级小爱”，用户短按 AI 键、三指上滑或下达语音指令，可提取屏幕中的外卖取餐码、快递取件码、排队号等时效性信息；浏览微信、支付宝账单时可抽取交易金额、商户名称、支付时间与消费类别用于智能记账，纸质发票、身份证、银行卡可通过拍照完成字段提取；识别群聊会议通知或海报上的时间地点后可一键生成日程卡片，收到航班号还能直接查询实时起降动态。 背景：文档智能过去主要靠两条路径，一条是通用多模态大模型直接读文档，参数量大、调用成本高，另一条是传统 OCR 加规则引擎，能认字却拆不开版面结构、提不出字段。随着智能体开始接手文档类流程，抽屉、发票、表单这类非固定版式材料成了自动化瓶颈，模型既要看得懂版面，也要把结果直接变成下游能调用的结构化数据。另一条背景是端侧算力与隐私的现实约束，手机、眼镜、可穿戴设备上的文档理解必须尽量在本地完成，参数规模越小越好；2026 年以来专用 OCR 小模型密集发布，行业竞争焦点开始从堆参数转向参数效率与真实场景鲁棒性，小米这次走 0.8B 专用路线正是这一趋势下的产物。同时，Agent 生态需要把文档理解封装成可调用能力，官方同步开放 MCP 服务与 Agent Skill 工具包，等于把文档理解做成智能体可以直接挂载的基础件。 影响：对开发者来说，0.8B 的体量意味着文档解析可以在端侧或自有服务器上运行，不必为一次票据提取去调用昂贵的闭源 API；官方一次性开放权重、推理代码、浏览器 Demo、MCP 服务与 Agent Skill 工具包，第三方可以直接把它接进自己的智能体或文档处理流程，这套“模型加工具链”的开源方式比单纯放出权重更有生态价值，官方对比中该模型拿到 1B 以下档位的 OmniDocBench 第一，也说明专用小模型在结构化文档这类窄任务上仍有明确的效率优势。对小米自身，0.8B 模型是“超级小爱”识屏能力的底座，取餐码、账单记账、日程卡片这类功能此前依赖云端或规则引擎，端侧小模型能降低时延与调用成本。对行业，文档理解的竞争正在从“谁的通用模型参数更大”转向“谁能把窄任务做扎实并以足够低的成本铺到每台设备上”；不过官方对比数据由小米自己发布，跨模型比较的口径与复现条件仍需第三方验证，古籍书法等长尾场景 73 分的水平也说明能力提升仍有空间。 总结：小米用 0.8B 参数把文档解析、关键信息抽取和 OCR 视觉问答压进同一个模型，Real5-OmniDocBench 得分 95.24、OmniDocBench v1.6 得分 96.83 并拿到 1B 以下第一，同时把权重、推理代码、浏览器 Demo、MCP 服务和 Agent Skill 工具包一次性开源。这条路线的价值不在单次评测排名，而在于把文档理解做成一件端侧跑得起、智能体接得上、开发者拿去就能用的小工具。对关注国产开源模型的开发者来说，这是一件可以立刻上手验证的事。 常见问题： 问：小米开源的 OCR 模型叫什么，参数多大？ 答：Xiaomi-OCR-0，0.8B 参数，基于 Qwen3.5-0.8B-Base 构建。 问：小米 OCR 模型怎么用？ 答：权重与推理代码已在 Hugging Face 和 GitHub 开源，另有浏览器 Demo、MCP 服务与 Agent Skill 工具包。 参考来源： 小米官方 Hugging Face 模型权重页 Xiaomi-OCR-0 https://huggingface.co/xiaomi-research/Xiaomi-OCR-0 小米官方 GitHub 项目代码与推理说明 https://github.com/xiaomi-research/Xiaomi-OCR-0 arXiv 技术报告《Xiaomi-OCR-0 Technical Report》 https://arxiv.org/abs/2609.36136 Hugging Face 官方在线 Demo（SeerRay-Lab Space） https://huggingface.co/spaces/SeerRay-Lab/Xiaomi-OCR-0 IT之家《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》 https://www.ithome.com/1/020/346.htm 智东西《0.8B！小米开源新模型，让超级小爱识屏主动办事》 https://zhidx.com/p/606258.html Pandaily《Xiaomi Open-Sources Xiaomi-OCR-0, a 0.8B Document Model That Tops OmniDocBench in Its Size Class》 https://pandaily.com/xiaomi-ocr-0-open-source-0-8b-document-parsing-key-information-extraction-omnidocbench-96-83 InfoQ 中文写作社区《Xiaomi-OCR-0：小米把 1.7 亿样本灌进 0.8B 小模型，文档解析和 OCR 问答一把抓》 https://xie.infoq.cn/article/c6a2cdd1394b40376d5bd12b3 爱范儿早报（含小米 OCR 模型一条） https://www.ifanr.com/1686979