小米开源 Xiaomi-OCR-0、0.8B 参数登顶文档解析榜、已装进超级小爱

8 亿参数，把大模型活干了

现在的大模型榜单，动辄几百亿甚至上千亿参数，跑一次要几张显卡。

小米 SeerRay 团队扔出来一个 8 亿参数的模型，专门干一件事——看图，把图里的字、表、公式变成能用的数据。

在 OmniDocBench v1.6 这个文档解析榜单上，它拿到 96.83 分，总榜第 2，距离第 1 名只差 0.04 分，同时是所有 10 亿参数以下模型里的第 1 名。

一个不到 10 亿参数的小模型，在"把纸质文件变成电脑能读的数据"这件事上，追平了参数比自己多几十倍甚至上百倍的对手。

用人话说：OCR 就是"把图片里的字认出来"。以前这件事要么用规则算法（遇到歪的、糊的、复杂的表格就废），要么用几十亿参数的大模型（贵、慢、费电）。小米这个模型想证明的是——这件事根本不需要那么大的模型，一个 8 亿的、专门训过的就够了。

一句话总结

Xiaomi-OCR-0 的意义不是"又开源了一个模型"，而是它把"小模型专治一格"这件事变成了可复制的方法——而这件事已经装进了你的手机。

一、一个模型，三种活

Xiaomi-OCR-0 不是一个只会认字的模型，它被设计成一个模型干三件事。

任务 · 全称 / 简称 · 干什么 · 输出形态

文档解析 · Document Parsing · 把整页文档按阅读顺序拆成正文、表格、公式 · 结构化 Markdown（表格转 HTML、公式转 LaTeX）

关键信息抽取 · KIE · 从发票、收据、卡证、业务表单里抽出指定字段 · JSON

视觉问答 · VQA · 跨区域检索、数值计算、语义推理 · 文字答案

用人话说：第一件事是"誊写"（把这页纸变成电脑能编辑的文档），第二件事是"填表"（把发票上的金额、日期、抬头自动抠出来），第三件事是"看图回答问题"（比如"这张表里合计多少钱"）。这三件事以前要用三个不同的系统，现在一个模型全包。

二、成绩单：以及两个必须说清楚的口径

小米官方公布的测试结果如下：

榜单 / 指标 · Xiaomi-OCR-0 成绩 · 位置

OmniDocBench v1.6（总榜） · 96.83 · 第 2，差榜首 0.04

同榜 10 亿参数以下模型 · 96.83 · 第 1

Real5-OmniDocBench · 95.24 · 第 1，领先 PaddleOCR-VL-1.6 约 2.05 分

Wild-OmniDocBench · 87.94 · 第 2；阅读顺序编辑距离 0.1931 最低

UniMER-Test（公式） · 97.84 · CDM 98.50 全场最高

PubTabNet（表格） · TEDS 92.27 · 表内第 1

五项 VQA 平均 · 83.2 · 高于 Qwen3.5-2B（80.9）、MiniCPM-V-4.5（82.6）、HunyuanOCR-1.5（76.5）

同榜主要对手的分数供参考：TeleOCR（1.2B）96.87、OvisOCR2（0.8B）96.58、PaddleOCR-VL-1.6（0.9B）96.33、MinerU2.5-Pro（1.2B）95.75、GLM-OCR（0.9B）95.22。

两个口径必须说明白：

第一，以上为小米官方自测成绩，非第三方独立复现榜单。

第二，解析成绩依赖一个外部版面检测器 PP-DocLayoutV3 的两阶段流水线（先检测版面、再送模型解析），该检测器的参数量不计入 0.8B。也就是说，"0.8B"指的是 OCR 主模型的规模，整条流水线并不是只有一个 0.8B 的东西。

用人话说：这不影响"小模型能顶事"这个结论，但你在跟别家比数字时，得知道分母不完全一样。 这也是为什么完整开源（模型 + 权重 + 训练报告 + 可复现的评测脚本）特别重要——只有这样，别人才能自己跑一遍验证。

三、它是怎么训出来的

这个模型的底座是 Qwen3.5-0.8B-Base，训练数据约 1.7 亿条 OCR 与文档样本。

数据引擎有两个核心机制：

异构专家共识。 让多个不同的 OCR 模型对同一张图交叉校验、相互投票，只有多数派认可的标注才被采纳。

预测—重渲染—视觉比对闭环。 模型先预测结果，系统再把这个结果重新渲染回图片，跟原图逐像素比对——用来专门校验表格结构和数学公式。

同时还合成了大量长尾难例：多语种、古籍手写、屏幕摩尔纹、扭曲光照。

训练分三阶段：

阶段 · 做什么 · 关键点

Q-Mask · 文本锚定 · 让模型先建立文字与图像区域的对应

OCR 持续预训练（CPT） · 百亿级 Token · 把通用基座"刷"成文档专家

Mix-RL（混合任务强化学习） · DAPO 风格的 GRPO · 奖励按任务路由：表格看 TEDS、公式看 CDM、整页看 MGAM 加权、KIE 看 JSON 合法性与字段匹配、问答看 ANLS

用人话说：最后这一步最值得看——用不同的评分标准分别"打分"不同任务，相当于让一个学生每一科用不同的尺子量，但都能量化进步。这也是它能一个模型同时打赢表格、公式、抽取、问答四条线的原因。

四、它已经在你的手机里了

这不是一个躺在论文里的模型。

Xiaomi-OCR-0 已经用于小米手机与"超级小爱"，具体场景包括：

外卖、快递取餐码提取——拍一下屏幕，取餐码自动填进去

排队号识别——餐厅排队小票拍下来自动记录

账单智能记账——拍账单，自动归类金额

卡证与发票字段抽取——身份证、发票的信息自动填进表单

日程卡片生成——从一张图里抽出时间地点，生成日程

协议方面：采用 Apache 2.0 开源许可（最宽松的那一类，商用也可以）；上下文长度 256K；支持 SGLang / vLLM / Ollama 部署；提供浏览器 Demo、MCP 服务和 Agent Skill 工具包（含 SKILL.md 一键安装）；技术报告为 arXiv 2609.36136（19 页）；代码与权重在 GitHub xiaomi-research/Xiaomi-OCR-0 和 Hugging Face xiaomi-research/Xiaomi-OCR-0。

用人话说：Apache 2.0 + 完整权重 + 部署脚本 + MCP 服务，这套组合意味着任何一家想做"文档自动化"的公司或个人，今天下午就能把它跑起来，不需要等 API 开放、不需要付费、不需要看厂商脸色。这是它比"再发一个 SOTA 模型"更值钱的地方。

写在最后

1. 小模型这波为什么成立

因为任务边界清楚了。让模型"什么都聊"，那必须大；但让它"只把图片变成表格"，8 亿参数足够。这跟 2023 年那次"小模型不行"的判断不同——那时的瓶颈是训练方法和数据规模，现在是任务本身被切细了。

2. 对普通人意味着什么

最直接的：以后你手机相册里的截图、纸质票据、纸质合同，会越来越多地被本地 AI 直接读懂——不用上传云端，不用等网络，也不用担心隐私外泄。因为 8 亿参数的模型，手机芯片跑得动。

更实际的：过去"把纸质文件变成电子数据"这件事是要花钱外包的，现在它变成了一个可以被塞进任何产品里的免费零件。对做小生意、小团队的人来说，这可能比再强的聊天机器人更有用。

3. 未来 12 个月，看 3 件事

看第三方复现结果。 官方自测和独立榜单之间的差距，是这类发布最需要被验证的地方。

看 PP-DocLayoutV3 是否开源。 如果版面检测器也开源，整条流水线才真正"0.8B"。

看小模型会不会接管"大模型的高频小任务"。 如果 2027 年大厂 API 的调用量结构里，有一半是"其实 8 亿参数就能干"的活，那大模型的定价体系会被整体重估。

模型大小的战争正在结束——下一场战争的胜负手，是谁能把 8 亿参数的模型，装进用户每天都打开的那个 App 里。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注小模型如何从"跑分"走向"装机量"这条真正的验证标准。

咱们下期见！

参考资料

腾讯新闻：小米开源 Xiaomi-OCR-0，8 亿参数登顶文档解析榜

网易科技：Xiaomi-OCR-0 三大能力与榜单成绩详解

搜狐：小米 Xiaomi-OCR-0 训练方法与开源协议说明

51CTO：Xiaomi-OCR-0 在超级小爱中的应用场景

太平洋科技：小米开源 8 亿参数 OCR 模型规格全览

GitHub：xiaomi-research/Xiaomi-OCR-0 开源仓库