小米今日官宣开源轻量级文档理解模型 Xiaomi-OCR-0，模型权重与推理代码已同步上线 Hugging Face 和 GitHub：

参数规模 0.8B，目标用单一模型同时覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。文档解析方向可识别正文、表格与数学公式，按阅读顺序输出结构化结果，原生支持 Markdown、LaTeX；关键信息抽取面向发票、收据、卡证和业务表单，按指定字段定位并输出 JSON 等结构化数据，可直接接入自动化处理流程；OCR 视觉问答则支持围绕文档与图表做跨区域检索、数值计算和语义推理，而不只是文字转写。据小米介绍，这一组合打通了从底层文字感知到高层内容理解的链路。

模型基于 Qwen3.5-0.8B-Base 基座构建，训练累计使用约 1.7 亿条 OCR 与文档理解样本。数据侧采用异构专家共识机制，对正文、表格、公式等不同区域由多个 OCR 专家模型交叉校验、投票筛选高置信标注。针对复杂表格与公式，团队引入“预测—重渲染—视觉比对”闭环校验，把候选解析结果重新渲染为图像，与原文档区域做像素和结构级比对，定位行列错位或符号缺失后定向修正；同时按版面复杂度、字体形态与物理退化因素合成困难样本，补充多语种、古籍手写、屏幕摩尔纹与扭曲光照等长尾数据。

评测方面，在模拟扫描、纸张弯曲、屏幕翻拍、光照变化和倾斜拍摄五种真实采集方式的 Real5-OmniDocBench 上，Xiaomi-OCR-0 得分 95.24 分，在对比模型中排名第一；Wild-OmniDocBench 得分 87.94 分。综合基准 OmniDocBench v1.6 得分 96.83 分，位列总榜第二，与榜首相差 0.04 分，在 1B 以下参数模型中排名第一。专项测试中，数学公式识别基准 UniMER-Test 为 97.84 分，表格结构识别基准 PubTabNet 为 92.27 分。古籍与书法评测集 Chronicles-OCR（Mature Scripts）得 73 分，小米称该成绩与闭源模型 Seed 2.0 Pro 的 72 分处于同一水准。

文档理解方面，DocVQA、InfoVQA、ChartQA、OCRBench 和 TextVQA 五项基准平均分为 83.2 分，高于 HunyuanOCR-1.5（1B，76.5 分）、TokenVL-2B（2B，78.1 分）和 TextHawk2（7B，78.5 分）；同一组对比中，通用多模态模型 Qwen3.5-2B 为 80.9 分，MiniCPM-V-4.5（8B）为 82.6 分，Qwen3.5-4B 为 84.9 分。

落地层面，小米表示相关技术已应用于手机端“超级小爱”。用户短按 AI 键、三指上滑或语音指令，可提取屏幕中的外卖取餐码、快递取件码、排队号等时效性信息并置于醒目位置；账单与卡证场景下，识屏可抽取交易金额、商户名称、支付时间与消费类别用于智能记账，纸质发票、身份证、银行卡等也可通过拍照完成字段提取；日程与出行场景中，系统能识别群聊会议通知或海报上的时间地点并生成日程卡片。