小米推出开源0.8B OCR模型：小尺寸全能王具备三大核心能力

10月31日消息，日前，小米技术宣布正式发布并开源轻量级全能文档理解模型Xiaomi-OCR-0，号称<strong>小尺寸全能王</strong>。

该模型仅有0.8B（8亿）参数，却集文档解析、关键信息抽取、OCR视觉问答三大核心能力于一身，在多项基准测试中取得领先成绩。

与传统OCR主要识别文字不同，Xiaomi-OCR-0不仅能识别文档中的文字，还能理解复杂结构和内容，实现从文字识别到文档理解的升级。

具体来看，Xiaomi-OCR-0拥有三大核心能力：

文档解析：能够精准识别并还原正文、复杂表格和数学公式，按照自然阅读顺序生成结构化结果，支持Markdown、LaTeX等格式输出。

关键信息抽取：可从发票、收据、卡证及业务表单中提取指定字段，直接生成JSON等结构化数据。

OCR视觉问答：支持围绕文档、图表内容进行信息检索、数值计算和语义推理，实现对视觉文本的深度理解。

性能方面，根据小米公布的测试结果，Xiaomi-OCR-0在Real5-OmniDocBench基准测试中取得95.24分，在参与对比的模型中排名第一。

在OmniDocBench v1.6综合测试中，该模型以96.83分排名总榜第二，在1B以下模型中位列第一。

此外，在五项主流OCR视觉问答基准测试中，Xiaomi-OCR-0取得83.2分的平均成绩，超越部分参数规模更大的模型，包括8B参数的MiniCPM-V-4.5。

据了解，Xiaomi-OCR-0基于Qwen3.5-0.8B-Base构建，训练使用了约1.7亿条高质量OCR与文档理解样本。

目前，相关技术正融入小米手机和超级小爱的日常使用场景，可实现取餐码提取、账单智能记账、卡证信息识别以及日程创建等功能。

小米现已开源模型权重、推理代码，并提供浏览器交互式Demo、MCP服务及Agent Skill工具包，方便开发者接入使用。