AI怪盗图10月31日消息，日前，小米技术宣布，正式发布并开源轻量级全能文档理解模型Xiaomi-OCR-0，号称“小尺寸全能王”
该模型仅有0.8B（8亿）参数，却集文档解析、关键信息抽取、OCR视觉问答三大核心能力于一身，在多项基准测试中取得领先成绩。
在端侧AI普及的浪潮下，参数规模与计算效率的平衡成为关键。0.8B参数意味着模型可在手机、嵌入式设备等低功耗环境中运行，无需依赖云端算力，这为离线文档处理提供了新的可能性。
与传统OCR主要识别文字不同，Xiaomi-OCR-0不仅能识别文档中的文字，还能理解复杂结构和内容，实现从文字识别到文档理解的升级。
传统OCR技术往往停留在字符识别层面，难以理解表格结构、阅读顺序与语义关系。Xiaomi-OCR-0尝试将视觉理解与语言模型结合，通过结构化输出来解决真实文档中的复杂版式问题，其本质是向“视觉文档智能”迈进一步。
具体来看，Xiaomi-OCR-0拥有三大核心能力：
文档解析：能够精准识别并还原正文、复杂表格和数学公式，按照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：可从发票、收据、卡证及业务表单中提取指定字段，直接生成JSON等结构化数据。
OCR视觉问答：支持围绕文档、图表内容进行信息检索、数值计算和语义推理，实现对视觉文本的深度理解。
性能方面，根据小米公布的测试结果，Xiaomi-OCR-0在Real5-OmniDocBench基准测试中取得95.24分，在参与对比的模型中排名第一。
在OmniDocBench v1.6综合测试中，该模型以96.83分排名总榜第二，在1B以下模型中位列第一。
此外，在五项主流OCR视觉问答基准测试中，Xiaomi-OCR-0取得83.2分的平均成绩，超越部分参数规模更大的模型，包括8B参数的MiniCPM-V-4.5。
从测试结果来看，95.24分和96.83分的成绩已经超过许多更大规模的模型。这在一定程度上说明，训练数据的质量与任务设计的精细度比参数数量更能决定模型的下限。对于OCR这类强结构任务，小模型通过针对性优化完全可能实现“小而精”。
据了解，Xiaomi-OCR-0基于Qwen3.5-0.8B-Base构建，训练使用了约1.7亿条高质量OCR与文档理解样本。
Qwen3.5-0.8B-Base作为阿里通义千问系列的开源底座，具有良好的中英文语义理解基础。小米在此基础上叠加1.7亿条OCR样本进行微调，相当于将通用语言能力与视觉文档知识进行融合，这也解释了其为何能在多个维度均衡领先。
目前，相关技术正融入小米手机和超级小爱的日常使用场景，可实现取餐码提取、账单智能记账、卡证信息识别以及日程创建等功能。
将OCR能力嵌入手机和智能助手，是小米推进“AI+场景”落地的重要举措。取餐码提取、账单记账等高频生活场景虽看似简单，却对识别速度和准确性有较高要求，轻量模型在此类实时交互中具备天然优势。
小米现已开源模型权重、推理代码，并提供浏览器交互式Demo、MCP服务及Agent Skill工具包，方便开发者接入使用。
开源模型权重和配套工具，不仅降低了开发者二次集成的门槛，也有助于形成以小米为中心的OCR技术生态。从行业层面看，0.8B级别的高效开源模型可能会推动更多终端设备原生搭载文档理解能力，加速AI服务的普惠化。
