一个 0.8B 模型覆盖三类文档任务
10 月 30 日，小米官方宣布开源轻量级文档理解模型 Xiaomi-OCR-0，模型权重与推理代码同步上线 Hugging Face 和 GitHub，官方给出的参数规模是 0.8B。
它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。文档解析能识别正文、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 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，可直接接入自动化流程；视觉问答则允许围绕文档与图表做跨区域检索、数值计算和语义推理。
1.7 亿样本与异构专家共识机制
据小米披露，Xiaomi-OCR-0 基于 Qwen3.5-0.8B-Base 基座构建，训练累计使用约 1.7 亿条 OCR 与文档理解样本。
数据侧采用异构专家共识机制，正文、表格、公式等不同区域由多个 OCR 专家模型交叉校验并投票筛选高置信标注，把最容易出错的部分交给多模型互查，从而摆脱对单一模型一致性的依赖。
预测再渲染再比对的闭环校验
针对复杂表格与公式，团队引入预测、重渲染、视觉比对的闭环校验流程：把候选解析结果重新渲染为图像，与原始文档区域做像素和结构级比对，定位行列错位或符号缺失后定向修正。
训练数据还按版面复杂度、字体形态与物理退化因素合成困难样本，补充多语种、古籍手写、屏幕摩尔纹与扭曲光照等长尾场景，这类脏数据在真实票据里占比不高，却直接决定抽取能否在产线上跑通。对端侧与私有化部署感兴趣的人，可以对照百度 Unlimited OCR 2 的 3.34B 参数方案看两条路线在体积与精度上的取舍。
延伸阅读
- 百度开源 Unlimited OCR 2：3.34B 参数百页 77.1 分3 天前
- OXR 开源：1.3B 模型三榜登顶，100 页 101 秒3 天前
- 小米 MiMo-V2-Pro 发布：1T 总参数 42B 激活、1M 上下文，API 定价约为同级竞品 1/51 月前
- 小米开源 Xiaomi-OCR-0：0.8B 参数 95.24 分文档解析登顶23 分前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。
继续读
同一批更新里这几篇值得一看：
- 百度开源 Unlimited OCR 2：3.34B 参数百页 77.1 分2026-10-27
- OXR 开源：1.3B 模型三榜登顶，100 页 101 秒2026-10-27
- 小米发布 21 自由度仿生灵巧手：1827 个 SOP 训练，触觉 1500 点2026-10-27