AnswersPublished24 sources
Xiaomis OCR-model kan mere end at læse tekst – men ét benchmarktal skurrer
Xiaomi OCR 0 er en model med 0,8 mia. parametre, der skal kunne analysere dokumenter, udtrække nøgleoplysninger og besvare spørgsmål om visuelt indhold.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Xiaomi OCR 0 er en model med 0,8 mia. parametre, der skal kunne analysere dokumenter, udtrække nøgleoplysninger og besvare spørgsmål om visuelt indhold.
- Modellen tager udgangspunkt i Qwen3.5 0.8B og er trænet på et OCR fokuseret datasæt med omkring 170 millioner eksempler.[1]
- Xiaomi opgiver en score på 95,24 i Real5 OmniDocBench, mens benchmarkets egen rangliste viser 92,73.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Xiaomi announce on October 30, 2026, about its open-source 0.8-billion-parameter Xiaomi-OCR-0 document understanding model, includi. Article summary: Xiaomi announced the release and open-sourcing of Xiaomi-OCR-0 on the evening of October 30, 2026: a lightweight, 0.8-billion-parameter model unifying document parsing, key-information extraction and visual question answ. Topic tags: general, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake num
Xiaomi-OCR-0 er en kompakt vision-language-model, der skal kunne mere end almindelig OCR – altså optisk tegngenkendelse. Den er tænkt til at analysere dokumenters indhold og opbygning, hente bestemte oplysninger ud og besvare spørgsmål om det, der vises på et billede.39
1
En nyhedsartikel offentliggjort 31. oktober 2026 skriver, at Xiaomi annoncerede modellen aftenen før. Men modellens kort daterer den tekniske rapport og frigivelsen af vægtene til 30. september. Oktoberannonceringen ser derfor ikke ud til at have været modellens første offentlige lancering.39
8
Én model til dokumenter og spørgsmål
Xiaomi beskriver modellen med 0,8 mia. parametre som et system til dokumentforståelse, herunder analyse af komplicerede dokumenter som artikler, tabeller og kvitteringer. De fremhævede opgaver er dokumentanalyse, udtræk af nøgleoplysninger og visuel spørgesvar – det vil sige at besvare spørgsmål ud fra indholdet i et billede eller dokument.39
1
Projektets udviklermateriale omtaler også en browserdemo samt lokale værktøjer. Et GitHub-projekt indeholder blandt andet en MCP-tjeneste og et Agent Skill til OCR, PDF-analyse, udtræk af nøgleoplysninger og visuel spørgesvar.30
31
32 Det er værktøjer, der kan bruges sammen med modellen; det dokumenterer ikke i sig selv, at alle arbejdsgange kører direkte på en telefon.
Sådan er modellen trænet
Den tekniske rapport siger, at Xiaomi-OCR-0 tager udgangspunkt i Qwen3.5-0.8B og er trænet på et OCR-fokuseret datasæt med omkring 170 millioner eksempler. Datapipelinen kombinerer ekspertvurderinger, kontrol ved gengivelse af dokumenter og målrettet syntetisk datagenerering.1
Ifølge modellens kort består træningen af tre trin: Q-Mask-tekstforankring, der kobler tekst til dens placering; fortsat OCR-fokuseret fortræning; og forstærkningslæring på tværs af opgaver med kontrollerbare belønninger for vanskelige eksempler.19 Kilderne beskriver denne overordnede opskrift, men dokumenterer ikke alle detaljer om datagenereringen eller præcis, hvordan belønningerne beregnes.
Resultater på benchmarks
Xiaomis tekniske rapport og materialet til modellens kort fremhæver følgende resultater:1
3
| Benchmark eller opgave | Opgivet score | Bemærkning |
|---|---|---|
| OmniDocBench v1.6 | 96,83 | Modellens kort placerer den som nummer to i den viste sammenligning. |
| Real5-OmniDocBench | 95,24 | Xiaomi opgiver scoren og hævder en førsteplads. |
| Wild-OmniDocBench | 87,94 | Modellens kort placerer den som nummer to i den viste sammenligning. |
| UniMER-Test | 97,84 | Resultat for genkendelse af formler ifølge modellens kort. |
| PubTabNet | 92,27 | Resultat for tabelgenkendelse ifølge modellens kort. |
| Fem OCR-fokuserede VQA-benchmarks | Gennemsnit på 83,2 | Modellens kort opgiver et gennemsnit for DocVQA, InfoVQA, ChartQA, OCRBench og TextVQA. |
Real5-scoren kræver et forbehold. Benchmarkets egen rangliste viser Xiaomi-OCR-0 med 92,73 samlet. Den angiver også 93,73 for scanning, 92,76 for skævvridning, 92,80 for fotografering af skærme, 92,68 for ændret belysning og 91,69 for skæve billeder. Det afviger fra Xiaomis opgivne score på 95,24, og de tilgængelige kilder forklarer ikke forskellen. Tallene bør derfor ikke behandles, som om de var samme resultat.2
5
Gennemsnittet på 83,2 for de fem spørgesvarstests er også et rapporteret benchmarkresultat – ikke en garanti for, at modellen klarer alle dokumenter og spørgsmål lige godt. Modellens kort sammenligner gennemsnittet med 80,9 for Qwen3.5-2B. Sammenligninger med andre modeller afhænger af den konkrete kilde og testopsætning.3
14
Telefonbrug og udviklerværktøjer
Nyhedsartiklen fra oktober forbinder Xiaomi-OCR-0 med Super XiaoAis funktion til at forstå skærmindhold med ét tryk. Som eksempler nævner den at finde en afhentningskode, læse tid og sted på en plakat og hente beløb og butiksnavn ud af en regning.39
Projektmaterialet linker til modelarkiver på Hugging Face og GitHub. Derudover beskriver GitHub-materialet en browserdemo samt lokale MCP- og Agent Skill-værktøjer.25
9
30
31
32
Hvad kilderne viser – og hvad de ikke viser
Kilderne tegner et klart overordnet billede: Xiaomi-OCR-0 er en model med 0,8 mia. parametre til dokumentforståelse, trænet på et stort OCR-fokuseret datasæt og udviklet til blandt andet dokumentanalyse, informationsudtræk og visuel spørgesvar. De viser også, at en af de fremhævede benchmarkscorer ikke stemmer overens på tværs af Xiaomis materiale og benchmarkets egen rangliste.1
2
5
Mere specifikke påstande – for eksempel om præcis JSON-output for bestemte dokumenttyper, beregninger på tværs af forskellige områder af et dokument eller alle tænkte arbejdsgange på en telefon – er ikke fastslået af de tilgængelige kilder. Det er derfor mest præcist at betragte dem som mulige anvendelser, ikke som dokumenterede funktioner.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Xiaomis OCR-model kan mere end at læse tekst – men ét benchmarktal skurrer"?
Xiaomi OCR 0 er en model med 0,8 mia. parametre, der skal kunne analysere dokumenter, udtrække nøgleoplysninger og besvare spørgsmål om visuelt indhold.
What are the key points to validate first?
Xiaomi OCR 0 er en model med 0,8 mia. parametre, der skal kunne analysere dokumenter, udtrække nøgleoplysninger og besvare spørgsmål om visuelt indhold. Modellen tager udgangspunkt i Qwen3.5 0.8B og er trænet på et OCR fokuseret datasæt med omkring 170 millioner eksempler.[1]
What should I do next in practice?
Xiaomi opgiver en score på 95,24 i Real5 OmniDocBench, mens benchmarkets egen rangliste viser 92,73.