小米开源0.8B文档理解模型Xiaomi-OCR-0，支持Markdown与JSON结构化输出

小米在开源模型领域再落一子。10月30日，小米官方宣布将轻量级文档理解模型Xiaomi-OCR-0对外开放，模型权重与推理代码同步上线Hugging Face和GitHub。该模型参数规模为0.8B，官方将其定位为以单一模型同时承接文档解析、关键信息抽取与OCR视觉问答三类任务。

从能力划分看，三类任务构成一条由感知到理解的链路。文档解析环节，模型可识别正文、表格与数学公式，并按阅读顺序输出结构化结果，原生支持Markdown与LaTeX格式；关键信息抽取则面向发票、收据、卡证及业务表单，依据指定字段定位内容并输出JSON等结构化数据，便于接入自动化处理流程；OCR视觉问答支持围绕文档与图表开展跨区域检索、数值计算与语义推理，而非停留在文字转写层面。

训练细节方面，Xiaomi-OCR-0基于Qwen3.5-0.8B-Base基座构建，累计使用约1.7亿条OCR与文档理解样本。数据侧引入异构专家共识机制，由多个OCR专家模型对正文、表格、公式等不同区域交叉校验并投票，筛选出高置信标注。针对复杂表格与公式，团队采用“预测—重渲染—视觉比对”的闭环校验：把候选解析结果重新渲染成图像，再与原始文档区域进行像素级和结构级比对，定位行列错位或符号缺失后定向修正。

为提升鲁棒性，训练数据还按版面复杂度、字体形态与物理退化因素合成困难样本，并补充多语种、古籍手写、屏幕摩尔纹与扭曲光照等场景。对AI行业从业者而言，0.8B量级的开源文档理解模型在部署成本与任务覆盖之间提供了一种新选择，其在真实业务文档上的表现有待社区进一步验证。