Xiaomi-OCR-0

Xiaomi-OCR-0

用 Xiaomi 的一个 0.8B OCR 模型解析文档，并回答关于图片中文字的问题，涵盖表格、公式和手写，适合构建 OCR 和文档工具的开发者。

由 xiaomi-research 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Xiaomi-OCR-0 是一个专为 OCR 打造的小型视觉语言模型。它能解析文档、回答关于图片中文字的问题，还能从页面里提取结构化字段。它约有 0.8B 参数，基于 Qwen3.5-0.8B-Base 开始训练。

适合谁：它适合需要在自己软件里读取文档，并想要一个可以自己运行的小模型的开发者和团队。

Industry | Who uses it | How they use it | Example
金融和法律 | 运营团队 | 把扫描或拍照的文档解析成文字 | 一堆歪斜的合同手机照片
软件 | 开发者 | 给应用加入 OCR 和字段提取 | 一个能从收据里读出数值的上传表单
档案和文化 | 档案管理员 | 读取历史手写和书法 | 把旧手稿数字化
人工智能研究 | 研究人员 | 研究小型 OCR 模型 | 在公开基准上和其他文档解析模型对比

如果你只需要从干净的截图里提取基础文字，更简单的工具可能就够了，你可以跳过它。

用在哪里：

• 使用 transformers 库的 Python
• Ollama，项目列出了一个实验性的 BF16 版本
• ModelScope，项目列出了该模型
• 模型卡新闻里列出的社区 GGUF 和 BF16 转换版本
• Windows、macOS 或 Linux，只要能运行 Python

Use case | Who | What they get back
文档解析 | 开发者 | 转成结构化文字的页面内容
以 OCR 为中心的提问 | 分析人员 | 关于图片中所示文字的回答
关键信息提取 | 运营团队 | 从页面里取出的结构化字段

如何设置：

你需要先准备：

• Python 和 pip
• 大约 1.7 GB 磁盘空间存放 BF16 权重，4-bit 估算约 437 MB

1. 安装 Hugging Face hub 工具。
2. 下载模型文件。
3. 按模型卡的说明用 transformers 加载模型。

pip install -U huggingface_hub
hf download xiaomi-research/Xiaomi-OCR-0

如何使用：给模型一张页面图片，告诉它你想要什么，可以是整份文档的解析、一个问题的回答，或者一组字段。具体运行方式在模型卡里。

Tool | What it does
Document parsing | 把页面读成结构化文字，包括表格和公式
OCR-centered question answering | 回答关于图片中文字的问题
Key information extraction | 从页面里提取结构化字段

示例：你给它一张拍下来的发票，请它给出发票号和总额。模型读取页面，把这两个字段以文字返回，而不是逐行转录。

新手与专家：OCR 就是从图片里读出文字。这个模型做这件事，还能回答关于它读到内容的问题。第一步可以先下载它，试一页干净的文档，再去处理歪斜的照片。

训练使用约 1.7 亿个以 OCR 为中心的样本，分三步进行。Q-Mask 锚定把文字和它的位置绑定，继续预训练建立广泛的能力，带可验证奖励的强化学习则针对难例。数据引擎混合了专家共识、渲染引导的检查、样本挖掘和有针对性的合成数据。

输入页面图片和请求
模型读取文字及其版面
它解析、回答或提取字段
返回结构化文字

注意事项：这些是作者自己的分数，在一张表里排名第二的模型以微弱优势超过了它。

Title: OmniDocBench v1.6 总体得分
Xiaomi-OCR-0: 96.83
TeleOCR: 96.87
OvisOCR2: 96.58
PaddleOCR-VL-1.6: 96.33
MinerU2.5-Pro: 95.75
GLM-OCR: 95.22

• 其他基准: Real5-OmniDocBench 95.24，Wild-OmniDocBench 87.94，UniMER-Test 97.84，PubTabNet 92.27
• 问答: 五个以 OCR 为中心的基准上平均 83.2，对比 Qwen3.5-2B 的 80.9
• 其他版本: 列出了其他人做的 10 个量化版本和 4 个微调版本
• License: Apache 2.0
• Cost to run: 未提及
• Data it reaches: 你给它的图片和文档

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：873M
• Weights: about 1.7 GB in BF16; about 437 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：29,537
• 点赞：319
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.5-0.8B-Base
• Quantized versions: 10
• Fine-tunes: 4
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, document-parsing, document-understanding, visual-question-answering, key-information-extraction, vision-language-model, multimodal, xiaomi, seerray

链接

• 模型：https://huggingface.co/xiaomi-research/Xiaomi-OCR-0
• 文件：https://huggingface.co/xiaomi-research/Xiaomi-OCR-0/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download xiaomi-research/Xiaomi-OCR-0

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。