小米开源0.8B参数多模态文档理解模型XiaomiOCR0

10月31日，小米技术团队正式开源轻量级多模态文档理解模型Xiaomi-OCR-0，参数量为0.8B（8亿），基于Qwen3.5-0.8B-Base架构构建，训练数据涵盖约1.7亿条高质量OCR与文档理解样本。该模型突破传统OCR仅实现文字识别的局限，转向文档智能理解，整合三大核心能力：一是文档解析，可还原含段落、表格、公式等复杂布局的结构化内容，支持Markdown与LaTeX导出；二是关键信息抽取，端到端提取发票、身份证等表单字段，输出标准JSON，省去规则模板环节；三是OCR视觉问答（OCR-VQA），支持对图表内容进行定位、计算与语义推理，如根据财报截图回答环比增长率问题。性能方面，模型在Real5-OmniDocBench得95.24分（排名第一），OmniDocBench v1.6得96.83分（1B以下参数模型第一），五项OCR-VQA基准平均得分83.2，超越部分更大参数模型。其轻量化设计支持中端手机本地部署，降低延迟与隐私风险。目前技术已集成至小米手机与超级小爱助手，用于订单取餐码提取、账单记账、证件识别及会议纪要转日程等场景。开源内容包括模型权重、推理代码、浏览器Demo、MCP服务协议接口及Agent Skill工具包，便于开发者快速接入RAG或智能体系统。该模型采用‘基座+领域微调’策略，兼顾训练效率与扩展性，为中文文档处理提供高性价比开源方案。