0.8B参数小米开源新模型，让超级小爱识屏主动办事

智东西10月31日报道，小米发布并开源轻量级文档理解模型Xiaomi-OCR-0，仅0.8B参数，将文档解析、关键信息抽取与视觉问答三类能力融于一体，并在多项权威基准中取得领先成绩。

该模型兼顾文字、版面、位置与语义理解，可解决复杂表格、论文、票据的结构化解析难题。在OmniDocBench v1.6基准中得分96.83，成为1B以下模型第一；五项文档VQA平均分83.2，优于HunyuanOCR、TokenVL、TextHawk、Qwen3.5-2B、MiniCPM-V-4.5等模型，逼近参数规模更大的Qwen3.5-4B。

小米将公开0.8B模型权重与推理代码，同时提供浏览器交互式Demo、MCP服务及Agent Skill工具包。

Xiaomi-OCR-0在0.8B架构中统一建模三类能力：文档解析，识别并还原正文、复杂表格和数学公式，按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，面向发票、收据、卡证和业务表单等半结构化文档，按指定字段定位并抽取目标信息，输出JSON等标准结构化数据；OCR视觉问答，支持围绕文档与图表进行跨区域检索、数值计算和语义推理问答。

在真实物理采集条件下的Real5-OmniDocBench基准中，该模型取得95.24分，排名第一；在Wild-OmniDocBench上取得87.94分。OmniDocBench v1.6中，以约三分之二参数量位列总榜第二，距榜首差0.04分。数学公式识别基准UniMER-Test得分97.84，表格结构识别基准PubTabNet得分92.27。古籍与书法评测集Chronicles-OCR中得分73，与闭源大模型Seed 2.0 Pro的72分处于同一水准。五项主流OCR视觉问答基准平均分83.2，超过HunyuanOCR-1.5、TokenVL-2B、TextHawk2等专用OCR模型，也超过Qwen3.5-2B与MiniCPM-V-4.5，以仅20%参数规模逼近Qwen3.5-4B。

Xiaomi-OCR-0基于Qwen3.5-0.8B-Base基座构建，训练累计使用约1.7亿条高质量OCR与文档理解样本。团队构建闭环演进的数据引擎，通过异构专家共识机制、渲染引导校验、多因素困难样本挖掘与定向合成保障数据信息密度。训练采用三阶段渐进式策略：Q-Mask文本锚定、OCR持续预训练、混合任务强化学习。团队还观察到课程学习规律：具备扎实解析根基后引入OCR视觉理解监督信号，可反哺纯文档解析基准，在OmniDocBench v1.6上带来最高+0.64分额外增益。

凭借0.8B轻量体量与解析理解能力，相关技术正融入小米手机与“超级小爱”的高频场景。即时生活服务场景中，面对外卖取餐码、快递取件码等信息，用户短按AI键、三指上滑或对超级小爱说“记一下”，系统可识别屏幕核心字段并将时效性信息提炼“上岛”。财务管理与卡证办理场景中，浏览消费账单详情时按AI键可自动抽取交易金额、商户名称、支付时间与消费类别，一键智能记账；面对纸质发票、身份证、银行卡等材料，可通过拍照或识屏完成结构化字段提取。日程规划与出行场景中，系统可理解群聊会议通知或活动海报时间地点并生成日程卡片，一键添加日历；收到航班号后直接提问，系统可结合屏幕上下文提取航班信息并联动查询实时起降动态。

小米以0.8B参数把文档解析、信息抽取与视觉问答压进同一模型，并在真实拍摄、复杂表格等基准上越级对标更大模型，推动文档智能竞争焦点从“堆参数”转向“参数效率+真实场景鲁棒性”。权重、推理代码与Agent工具链同步开源，有望降低端侧和智能体集成文档理解能力的门槛，让OCR从单点工具走向可被调用的基础能力。