0.8B！小米開源新模型，讓超級小愛識屏主動辦事

作者 | 李水青 編輯 | 心緣 10月31日報道，昨日晚間，小米發佈並開源輕量級全能文檔理解模型Xiaomi-OCR-0，僅0.8B（8億）參數，將文檔解析、關鍵信息抽取與視覺問答三類能力融於一體，並在多項權威基準中取得領先成績。很多人遇到過這樣的小麻煩：取餐碼被消息淹沒、海報時間地點還要手動敲進日曆、賬單金額和商戶信息仍需逐項摘錄……這指向了一類新需求：手機能否不只“看見”屏幕內容，還能“看懂”信息，並在需要時順手完成下一步？Xiaomi-OCR-0正是為此而生。它體量小巧，兼顧文字、版面、位置與語義理解，能解決複雜表格、論文、票據的結構化解析難題。

小米手機上“超級小愛”的一鍵識屏幕背後，對應的正是OCR能力從“文字識別”向“文檔理解”演進。在檢驗綜合文檔解析能力的權威基準OmniDocBench v1.6中，該模型得分96.83，成為1B以下模型第一；其在五項文檔VQA平均分83.2，優於HunyuanOCR、TokenVL、TextHawk、Qwen3.5-2B、MiniCPM-V-4.5等模型，逼近參數規模更大的Qwen3.5-4B。小米將完整公開0.8B模型權重與推理代碼，同時提供瀏覽器交互式Demo、MCP服務以及Agent Skill工具包。Hugging Face模型權重： https://huggingface.

co/xiaomi-research/Xiaomi-OCR-0 GitHub項目代碼： https://github.com/xiaomi-research/Xiaomi-OCR-0 Agent一鍵體驗口令：Read and execute https://raw.githubusercontent.com/xiaomi-research/Xiaomi-OCR-0/main/SKILL.md 一、0.

8B“三合一”：看懂版面、抽出關鍵信息、會答題 真實文檔形態複雜：學術論文有密集跨行公式，財務研報有嵌套表格，卡證票據隱含字段鍵值關係；打印、拍攝、屏幕翻拍還會帶來彎曲形變、透視傾斜、光照陰影和摩爾紋干擾。實用文檔智能系統不僅要“認得出字”，還要“拆得開結構、提得出字段、答得上問題”。Xiaomi-OCR-0在0.8B輕量級架構中統一建模三類能力： 1、文檔解析：識別並還原正文、複雜表格和數學公式，按自然閱讀順序生成結構化結果，原生支持Markdown、LaTeX等格式輸出，便於編輯、知識庫構建與檢索增強。

2、關鍵信息抽取（KIE）：面向發票、收據、卡證和業務表單等半結構化文檔，按指定字段定位並抽取目標信息，輸出JSON等標準結構化數據，對接自動化處理工作流。3、OCR視覺問答（VQA）：支持圍繞文檔與圖表進行跨區域檢索、數值計算和語義推理問答，實現針對視覺文本的交互式理解。通過融合結構解析與語義理解，Xiaomi-OCR-0以輕量參數覆蓋從底層感知到高層認知的鏈路。二、真實解析基準登頂，0.8B模型匹敵Qwen3.5-4B 僅8億參數的輕量級模型，究竟能否扛住複雜文檔解析與高層語義理解的雙重考驗？在真實物理採集條件下，文檔常有噪點、彎曲、透視、摩爾紋和反光。

Real5-OmniDocBench基於OmniDocBench v1.5的1355頁多樣化文檔，通過掃描、紙張彎曲、屏幕翻拍、光照變化和傾斜拍攝五種方式構建6775張測試圖像。Xiaomi-OCR-0在該基準取得95.24分，在對比模型中排名第一。在聚焦打印形變、陰影、反光和複雜透視的Wild-OmniDocBench上，模型取得87.94分。綜合文檔解析權威基準OmniDocBench v1.6覆蓋學術論文、財務報告、報紙、教材等版式，並強化複雜嵌套表格與密集數學公式考察。Xiaomi-OCR-0取得96.83分，以約三分之二參數量（0.8B vs.1.2B）位列總榜第二，距榜首差0.

04分，在1B以下模型中排名第一。數學公式識別基準UniMER-Test得分97.84，表格結構識別基準PubTabNet得分92.27。在涵蓋隸書、草書、行書與楷書的古籍與書法評測集Chronicles-OCR（Mature Scripts）中，模型得分73，與閉源大模型Seed 2.0 Pro的72分處於同一水準。文檔理解方面，Xiaomi-OCR-0在DocVQA、InfoVQA、ChartQA、OCRBench和TextVQA五項主流OCR視覺問答基準上取得83.2平均分。該成績超過HunyuanOCR-1.5（1B，76.5分）、TokenVL-2B（2B，78.

1分）、TextHawk2（7B，78.5分）等專用OCR模型，也超過通用多模態模型Qwen3.5-2B（80.9分）與MiniCPM-V-4.5（8B，82.6分），並以僅20%參數規模逼近Qwen3.5-4B（84.9分）。三、1.7億樣本打底、三階段漸進：0.8B模型“先解析後理解” Xiaomi-OCR-0基於Qwen3.5-0.8B-Base基座構建，訓練累計使用約1.7億條高質量OCR與文檔理解樣本。團隊構建閉環演進的數據引擎，從三方面保障訓練數據信息密度。

一是異構專家共識機制：針對正文、表格、公式等不同區域，聯合多個異構OCR專家模型交叉校驗，並進行三元組共識投票（基於1-NED、TEDS、CDM等專項指標），濾除單模型偏見，篩選高置信度標註。二是渲染引導校驗：針對複雜表格和高難度數學公式，引入“預測—重渲染—視覺比對”閉環，將候選解析代碼重新渲染為圖像，與原始文檔區域進行像素和結構級比對，定位行列錯位、符號缺失等結構缺陷並修正。三是多因素困難樣本挖掘與定向合成：結合版面複雜度、字體形態和物理退化因素，持續挖掘能力短板，定向合成覆蓋多語種、古籍手寫、屏幕摩爾紋及扭曲光照的樣本，補齊長尾分佈。

訓練採用三階段漸進式策略：Q-Mask文本錨定在特徵對齊初期強化視覺局部區域與文字Token的細粒度空間錨定；OCR持續預訓練通過百億級Token規模多任務混合訓練，賦予全頁文檔解析、細粒度區域識別與視覺問答綜合基座能力；混合任務強化學習在困難樣本上引入基於結構編輯距離、表格匹配度和問答準確率的可驗證獎勵信號，突破複雜版式還原與多步推理性能上限。團隊還觀察到課程學習規律：模型早期未建立穩固解析基礎時，過早混入高層理解任務會輕微分散底層識別注意力；具備紮實解析根基後，引入OCR視覺理解監督信號不僅提升問答與抽取能力，還會反哺純文檔解析基準，在OmniDocBench v1.6上帶來最高+0.

64分額外增益。四、場景落地：取餐碼上島、賬單自動記、航班直接問 憑藉0.8B輕量體量與解析理解能力，Xiaomi-OCR-0相關技術正融入小米手機與“超級小愛”的高頻場景，推動終端體驗從“被動截屏查找”走向“主動理解服務”。即時生活服務場景中，面對被消息淹沒的外賣取餐碼、驛站快遞取件碼、退貨碼、景區寄存櫃號或餐廳排隊號，用戶無需在App間反覆切換；短按AI鍵、三指上滑或對超級小愛說“記一下”，系統可識別屏幕核心字段與狀態，將時效性信息提煉“上島”，需要時一觸即達。

財務管理與卡證辦理場景中，瀏覽微信、支付寶消費賬單詳情時，按AI鍵可自動抽取交易金額、商戶名稱、支付時間與消費類別，一鍵智能記賬；面對紙質發票、身份證、銀行卡等材料，可通過拍照或識屏完成結構化字段提取。日程規劃與出行場景中，看到群聊會議通知或活動海報時間地點，系統可理解上下文並生成日程卡片，一鍵添加日曆；收到航班號（如“我的航班號是國航 CA824”）後直接提問“這個航班還有多久到”，系統可結合屏幕上下文提取航班信息並聯動查詢實時起降動態。結語：0.8B開源搶生態：文檔智能進入“效率戰” 小米以0.

8B參數把文檔解析、信息抽取與視覺問答壓進同一模型，並在真實拍攝、複雜表格等基準上越級對標更大模型，推動文檔智能的競爭焦點從“堆參數”轉向“參數效率+真實場景魯棒性”。更關鍵的是權重、推理代碼與Agent工具鏈同步開源。對產業而言，這有望降低端側和智能體集成文檔理解能力的門檻，也讓OCR從單點工具走向可被調用的基礎能力，生態卡位意義大於單次評測排名。