Xiaomi-OCR-0 – 小米0.8B轻量文档理解开源模型

Xiaomi‑OCR‑0是小米研究院推出的开源轻量文档理解模型，参数量0.8B，把文档解析、关键信息抽取、文档视觉问答整合至单套模型，权重与代码托管于GitHub与HuggingFace，同步提供HuggingFace Spaces 在线演示页面。模型基于Qwen3.5‑0.8B‑Base基座迭代，处理拍摄文档、屏幕截图、票据、带公式论文、复杂表格，输出 Markdown、LaTeX、JSON 结构化结果，可直接用于端侧设备推理，也是小米超级小爱识屏功能的底层技术底座，适配移动端、本地 GPU 原型开发与智能体工具调用场景。

Xiaomi-OCR-0特点

0.8B 小参数量，对硬件要求低，可在中端消费级显卡与移动端运行。

单模型承载文档解析、信息抽取、文档 VQA 三类任务，不用多模型串联。

还原版面逻辑，支持复杂表格、数学公式识别，输出 Markdown、LaTeX 格式。

票据、卡证类素材可输出 JSON 键值结构化数据，适配业务系统接入。

具备文档语义推理能力，不局限单纯文字转录，支持针对文档内容提问计算。

配套推理脚本、MCP 服务、Agent Skill 工具包，可直接接入智能体工作流。

Xiaomi-OCR-0技术原理

以 Qwen3.5‑0.8B‑Base 作为基座，训练数据集集合约 1.7 亿条各类 OCR 与文档理解样本。采用异构专家共识机制，对正文、表格、公式等不同图像区域，调用多组内部专家子模块做特征处理，融合版面位置、文本、图表特征送入主干网络。图像编码器完成文档图像特征提取，和文本指令特征对齐，完成版面还原、字段提取、问答推理。训练过程兼顾印刷文档、手机拍摄、屏幕截图，加入倾斜、反光、摩尔纹干扰样本，提升真实场景容错表现。

Xiaomi-OCR-0功能

文档图像解析，识别正文、嵌套表格、数学公式，输出 Markdown、LaTeX 排版文本。

票据、证件、表单图片关键字段抽取，输出 JSON 结构化字段结果。

文档视觉问答，基于图片内文字图表完成检索、数值计算、语义问答。

屏幕截图识别，提取取餐码、通知、地址、时间等屏幕内有效信息。

批量图片解析，批量输出结构化文件。

提供 Agent 工具调用能力，可供上层智能体读取图片文档信息。

Xiaomi-OCR-0应用场景

移动端识屏工具，提取截图里取餐码、会议通知、地址信息。

财务业务解析发票、收据、单据图片，提取交易字段用于记账归档。

科研场景解析论文扫描件，提取正文、表格、公式内容。

开发者做本地文档理解原型，智能体文档读取工具开发。

教育行业处理试卷、课件截图，提取题目与公式。

算法研究开展端侧文档理解、小参数多模态模型对照实验。

Xiaomi-OCR-0如何使用

访问 HuggingFace Spaces 演示页面可直接上传图片在线体验效果。

前往 GitHub 克隆 Xiaomi‑OCR‑0 项目代码仓库，HuggingFace 下载预训练权重。

搭建 Python 运行环境，安装 transformers、图像处理相关依赖包。

修改配置脚本填入权重路径，传入文档、截图、票据图片，选择输出格式。

显存有限环境启用量化推理，降低硬件资源占用。

业务开发可调用 MCP 服务或者 Agent Skill 工具包，接入智能体系统。

批量处理编写循环脚本，读取本地图片文件夹批量生成解析结果。

自有行业场景可准备领域文档样本，基于基座开展微调迭代。

Xiaomi-OCR-0同类产品对比

表格