AnswersPublished24 sources
Xiaomis 0,8B-modell skal forstå dokumenter, ikke bare lese tekst
Xiaomi OCR 0 er en modell med 0,8 milliarder parametere for dokumenttolking, uttrekk av nøkkelopplysninger og visuell spørsmålsbesvarelse. Den bygger på Qwen3.5 0.8B og er trent på rundt 170 millioner OCR fokuserte eksempler med tekstforankring, videre trening og forsterkende læring.[1] Xiaomi oppgir høye resultater...
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- Xiaomi OCR 0 er en modell med 0,8 milliarder parametere for dokumenttolking, uttrekk av nøkkelopplysninger og visuell spørsmålsbesvarelse.
- Den bygger på Qwen3.5 0.8B og er trent på rundt 170 millioner OCR fokuserte eksempler med tekstforankring, videre trening og forsterkende læring.[1]
- Xiaomi oppgir høye resultater på flere tester, men Real5 OmniDocBench viser 92,73 totalt – ikke 95,24 som Xiaomis modellmateriale oppgir.[2][3][5]
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 syns- og språkmodell laget for mer enn å kjenne igjen tekst. Den skal også kunne tolke dokumentoppsett, hente ut sentral informasjon og svare på spørsmål om innholdet.39
1
En nyhetsrapport publisert 31. oktober 2026 sier at Xiaomi kunngjorde modellen kvelden før. Modellkortet oppgir imidlertid at den tekniske rapporten og modellvektene ble publisert 30. september. Oktoberomtalen ser dermed ikke ut til å være modellens første offentlige tilgjengelighet.39
8
Fra tekstgjenkjenning til dokumentforståelse
OCR, eller optisk tegngjenkjenning, handler tradisjonelt om å lese tekst fra bilder. Xiaomi beskriver Xiaomi-OCR-0 som et bredere verktøy: Modellen er ment å forstå både tekst, plassering og struktur i dokumenter, også i kompliserte tabeller, forskningsartikler og kvitteringer. De oppgitte bruksområdene omfatter dokumenttolking, uttrekk av nøkkelopplysninger og visuell spørsmålsbesvarelse.39
1
Utviklermaterialet viser også til en nettleserdemo og lokale verktøy. GitHub-prosjektet inneholder en MCP-tjeneste og en Agent Skill for OCR, PDF-tolking, uttrekk av nøkkelopplysninger og visuell spørsmålsbesvarelse.30
31
32 Dette er verktøy for utviklere – ikke dokumentasjon på at alle arbeidsflyter kan kjøres direkte på en mobiltelefon.
Slik beskriver Xiaomi treningen
Den tekniske rapporten sier at modellen bygger på Qwen3.5-0.8B og er trent på et OCR-fokusert datasett med rundt 170 millioner eksempler. Dataprosessen kombinerer vurderinger fra eksperter, kontroll ved å gjengi dokumenter visuelt og målrettet syntetisk datagenerering.1
Modellkortet beskriver tre treningstrinn: Q-Mask-tekstforankring, som kobler tekst til plasseringen i dokumentet; videre OCR-fokusert forhåndstrening; og forsterkende læring på blandede oppgaver, der vanskelige eksempler får belønning basert på resultater som kan kontrolleres.19 Kildene støtter denne overordnede beskrivelsen, men bekrefter ikke alle detaljer om datagenereringen eller hvordan belønningene er definert.
Testresultatene Xiaomi trekker fram
Xiaomis tekniske rapport og modellmateriale oppgir følgende resultater:1
3
| Test eller oppgave | Oppgitt resultat | Merknad |
|---|---|---|
| OmniDocBench v1.6 | 96,83 | Modellmaterialet plasserer modellen som nummer to i sammenligningen. |
| Real5-OmniDocBench | 95,24 | Xiaomi oppgir dette resultatet og hevder førsteplass. |
| Wild-OmniDocBench | 87,94 | Modellmaterialet plasserer modellen som nummer to i sammenligningen. |
| UniMER-Test | 97,84 | Resultat for gjenkjenning av formler. |
| PubTabNet | 92,27 | Resultat for gjenkjenning av tabeller. |
| Fem OCR-fokuserte tester for visuell spørsmålsbesvarelse | 83,2 i snitt | Gjennomsnitt på DocVQA, InfoVQA, ChartQA, OCRBench og TextVQA. |
Real5-resultatet trenger et forbehold. Benchmarkens egen resultatliste oppgir 92,73 totalt for Xiaomi-OCR-0. Delresultatene er 93,73 for skanning, 92,76 for forvrengning, 92,80 for skjermfoto, 92,68 for lysforhold og 91,69 for skjevhet. Det er et annet tall enn Xiaomis oppgitte 95,24, og kildene her forklarer ikke forskjellen. Resultatene bør derfor ikke behandles som om de var det samme.2
5
Gjennomsnittet på 83,2 fra de fem VQA-testene er også et rapportert benchmarkresultat, ikke en garanti for hvordan modellen vil fungere på ethvert dokument eller spørsmål. Modellmaterialet sammenligner snittet med 80,9 for Qwen3.5-2B; sammenligninger med andre modeller avhenger av hvilken kilde og testoppsett som brukes.3
14
Mobilbruk og åpne utviklerverktøy
Nyhetsrapporten kobler Xiaomi-OCR-0 til Super XiaoAis funksjon for å forstå skjerminnhold med ett trykk. Eksemplene som nevnes, er å finne en hentekode, lese tid og sted fra en plakat og hente ut beløp og butikknavn fra en regning.39
Prosjektmaterialet viser til modellarkiver på Hugging Face og GitHub. GitHub-prosjektet beskriver også en nettleserdemo, en lokal MCP-tjeneste og en Agent Skill.25
9
30
31
32
Hva kildene bekrefter – og hva de ikke gjør
Kildene tegner et tydelig hovedbilde: Xiaomi-OCR-0 er en dokumentforståelsesmodell med 0,8 milliarder parametere, trent på et stort OCR-fokusert datasett og laget for dokumenttolking, uttrekk av informasjon og visuell spørsmålsbesvarelse. De viser samtidig at minst ett sentralt benchmarkresultat spriker mellom modellmaterialet og benchmarkens resultatliste.1
2
5
Mer detaljerte påstander – for eksempel nøyaktig JSON-format for bestemte dokumenttyper, beregninger på tvers av dokumentområder eller alle foreslåtte mobilfunksjoner – er ikke dokumentert av kildene her. Slike eksempler bør derfor forstås som mulige bruksområder, ikke som verifiserte egenskaper.
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 0,8B-modell skal forstå dokumenter, ikke bare lese tekst"?
Xiaomi OCR 0 er en modell med 0,8 milliarder parametere for dokumenttolking, uttrekk av nøkkelopplysninger og visuell spørsmålsbesvarelse.
What are the key points to validate first?
Xiaomi OCR 0 er en modell med 0,8 milliarder parametere for dokumenttolking, uttrekk av nøkkelopplysninger og visuell spørsmålsbesvarelse. Den bygger på Qwen3.5 0.8B og er trent på rundt 170 millioner OCR fokuserte eksempler med tekstforankring, videre trening og forsterkende læring.[1]
What should I do next in practice?
Xiaomi oppgir høye resultater på flere tester, men Real5 OmniDocBench viser 92,73 totalt – ikke 95,24 som Xiaomis modellmateriale oppgir.[2][3][5]