小米開源8億參數OCR模型，能讀複雜表格、提取信息，還能回答問題

動察 Beating AI 快訊，小米開源了 Xiaomi-OCR-0，只有 8 億參數，能完成三類任務：把文檔中的文字、複雜表格和數學公式轉成可編輯內容；從發票、收據和證件中提取指定欄位，輸出 JSON；還能根據文檔和圖表中的信息回答問題，不再只是把圖片裡的字抄出來。

模型基於阿里的 Qwen3.5-0.8B 繼續訓練，使用約 1.7 億條 OCR 與文檔理解樣本。為了提高數據質量，小米讓多個 OCR 模型交叉核對識別結果。遇到複雜表格和公式，還會把識別結果重新渲染成圖片，與原圖比對，找出錯位、漏字等問題。訓練也分階段進行：先練好文字識別和版面解析，再加入信息抽取、視覺問答等任務。

小米公布的五項 OCR 視覺問答測試中，Xiaomi-OCR-0 平均得分 83.2，超過參數量為其 2.5 倍的 Qwen3.5-2B（80.9），接近 4B 模型的 84.9。在模擬掃描、紙張彎曲、屏幕翻拍等干擾的 Real5 文檔解析測試中，搭配外部版面檢測器取得 95.24 分。

目前模型權重、推理代碼、MCP 服務和 Agent Skill 均已開源。開發者可以將其接入 AI Agent，讀取截圖、PDF 和票據，提取出可以直接交給其他程序處理的數據。