小米开源 Xiaomi-OCR-0:8 亿参数的文档理解模型,权重、推理代码、MCP 服务全开源

举报
yd_289128500 发表于 2026/11/01 16:25:25 2026/11/01
【摘要】 小米开源了 Xiaomi-OCR-0,只有 8 亿参数,基于阿里的 Qwen3.5-0.8B 继续训练,用了约 1.7 亿条 OCR 与文档理解样本。它能干三类活,不只是把图片里的字抄出来:文档解析:把文字、复杂表格、数学公式转成可编辑内容信息抽取:从发票、收据、证件里提取指定字段,直接输出 JSON视觉问答:根据文档和图表内容回答问题训练上有两个细节:数据清洗时让多个 OCR 模型交叉核对...

小米开源了 Xiaomi-OCR-0,只有 8 亿参数,基于阿里的 Qwen3.5-0.8B 继续训练,用了约 1.7 亿条 OCR 与文档理解样本。

它能干三类活,不只是把图片里的字抄出来:

  • 文档解析:把文字、复杂表格、数学公式转成可编辑内容
  • 信息抽取:从发票、收据、证件里提取指定字段,直接输出 JSON
  • 视觉问答:根据文档和图表内容回答问题

训练上有两个细节:数据清洗时让多个 OCR 模型交叉核对结果;复杂表格和公式的识别结果会重新渲染成图片和原图比对,抓错位、漏字。训练分阶段,先练识别和版面解析,再加抽取、问答任务。

成绩:五项 OCR 视觉问答测试平均 83.2,超过参数量 2.5 倍的 Qwen3.5-2B(80.9),接近 4B 模型的 84.9;模拟扫描、纸张弯曲、屏幕翻拍等干扰的 Real5 文档解析测试,搭配外部版面检测器拿到 95.24 分。

目前权重、推理代码、MCP 服务和 Agent Skill 都已开源,可以接进 Agent 里读截图、PDF 和票据,提取结构化数据给其他程序用。小参数、能本地跑,算是这类模型里挺实用的一个。

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。