新模型 2026-11-01

小米开源 8 亿参数的「文档小能手」:发票、表格、公式一扫就成结构化数据

一句话说清:小米 10 月 30 日开源了 Xiaomi-OCR-0,只有 8 亿参数,却能把文档、复杂表格、数学公式按顺序转成文字,还能从发票卡证里直接抽出你要的字段。

发生了什么

  • 小米技术宣布正式发布并开源轻量级文档理解模型 Xiaomi-OCR-0,参数量只有 0.8B(8 亿),权重和推理代码已同步上架 Hugging Face 和 GitHub,Apache 2.0 协议,可商用。
  • 它跟传统「检测 + 识别」的 OCR 不一样,是一个统一的视觉语言模型,把三件事塞进了同一个模型里:
  • 文档解析:识别正文、复杂表格、数学公式,按正常阅读顺序输出,原生支持 Markdown、LaTeX。
  • 关键信息抽取:从发票、收据、身份证、银行卡、业务表单里,按你指定的字段抽出来,直接输出 JSON。
  • OCR 视觉问答:不只是认字,还能跨区域找信息、做数值计算、对图表做推理。
  • 底子是 Qwen3.5-0.8B-Base,训练用了约 1.7 亿条 OCR 与文档理解样本,分三个阶段:文本锚定、持续预训练、混合任务强化学习。
  • 成绩(均为小米自测):模拟扫描、纸张弯曲、屏幕翻拍、光照变化、倾斜拍摄五种真实场景的 Real5-OmniDocBench 拿到 95.24 分,在对比模型中排第一;综合基准 OmniDocBench v1.6 拿 96.83 分,总榜第二,1B 以下参数模型里第一;五项视觉问答基准平均 83.2 分。
  • 这套技术已经用在小米手机的「超级小爱」上:提取外卖取餐码、快递取件码、账单记账、卡证识别、生成日程卡片。

对我有什么用

  • 不是让你去部署模型,而是告诉你一件事:文档类的活儿正在被彻底自动化。拍一张发票就出表格数据,拍一页书就出可编辑的文字,这已经不需要买服务器了。
  • 好处在「小」:0.8B 的体量,社区已经打包成约 1.8GB 的版本,笔记本就能跑,不用联网、不用担心资料外泄。你要是有大量合同、票据、扫描件要处理,这是目前门槛最低的一条路。
  • 对做小生意、做财务、做人事的人特别实在:一批发票要录进 Excel,过去靠手打,现在拍完直接出 JSON 或表格。

我可以怎么做

  1. 普通用户:先别折腾本地部署。等微信、WPS、夸克这类你天天用的工具更新,它们迟早会把这能力塞进来。现在可以先试小米手机上的「超级小爱」识屏功能。
  2. 想自己动手:去 GitHub 或 Hugging Face 搜 Xiaomi-OCR-0,里面有浏览器 Demo,不用装任何东西就能试——上传一张发票或一页书,看它输出的结构化结果。
  3. 要批量处理:社区有 Ollama 版本,装好 Ollama 后拉下来就能用;模型约 1.8GB,8G 内存的笔记本能跑。
  4. 给它提要求的正确说法:「把这张发票的金额、开票日期、销售方名称抽成 JSON」,比你只说「识别一下」有用得多。

温馨提醒

  • 成绩是厂商自测,官方对比表里的对手也是官方挑的,第三方还没大规模复现。96.83 和第一名的 96.87 差 0.04 分,基本属于噪声范围,别当成「吊打」。
  • 社区量化版本没经过官方评测,GitHub 明确说明了这一点,转换版的效果不能直接等同原版。
  • 它是文档理解模型,不是「什么图都能看懂」的通用助手;认人和风景不是它的活。
  • 处理的如果是别人的身份证、银行卡、合同,注意个人信息合规,别随手传到不明网站。
📤 一键转发小助手 帮你写好小红书文案、微信推荐语,还配一张中文海报,复制就能发