小米开源8亿参数OCR模型，能读复杂表格、提取信息，还能回答问题

contact@theblockbeats.org (律动BlockBeats)

动察 Beating AI 快讯，小米开源了 Xiaomi-OCR-0，只有 8 亿参数，能完成三类任务：把文档中的文字、复杂表格和数学公式转成可编辑内容；从发票、收据和证件中提取指定字段，输出 JSON；还能根据文档和图表中的信息回答问题，不再只是把图片里的字抄出来。

模型基于阿里的 Qwen3.5-0.8B 继续训练，使用约 1.7 亿条 OCR 与文档理解样本。为了提高数据质量，小米让多个 OCR 模型交叉核对识别结果。遇到复杂表格和公式，还会把识别结果重新渲染成图片，与原图比对，找出错位、漏字等问题。训练也分阶段进行：先练好文字识别和版面解析，再加入信息抽取、视觉问答等任务。

小米公布的五项 OCR 视觉问答测试中，Xiaomi-OCR-0 平均得分 83.2，超过参数量为其 2.5 倍的 Qwen3.5-2B（80.9），接近 4B 模型的 84.9。在模拟扫描、纸张弯曲、屏幕翻拍等干扰的 Real5 文档解析测试中，搭配外部版面检测器取得 95.24 分。

目前模型权重、推理代码、MCP 服务和 Agent Skill 均已开源。开发者可以将其接入 AI Agent，读取截图、PDF 和票据，提取出可以直接交给其他程序处理的数据。