AnswersPublished24 sources
Xiaomi-OCR-0 ma 0,8 mld parametrów i łączy OCR z rozumieniem dokumentów
Xiaomi OCR 0 to model o 0,8 mld parametrów do analizy dokumentów, wyodrębniania kluczowych informacji i odpowiadania na pytania dotyczące obrazu. Model bazuje na Qwen3.5 0.8B i był trenowany na około 170 mln próbek związanych z OCR; opisana metoda obejmuje kotwiczenie tekstu, dalsze trenowanie i uczenie ze wzmocnien...
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Xiaomi OCR 0 to model o 0,8 mld parametrów do analizy dokumentów, wyodrębniania kluczowych informacji i odpowiadania na pytania dotyczące obrazu.
- Model bazuje na Qwen3.5 0.8B i był trenowany na około 170 mln próbek związanych z OCR; opisana metoda obejmuje kotwiczenie tekstu, dalsze trenowanie i uczenie ze wzmocnieniem.[1]
- W materiałach Xiaomi podano wynik 95,24 w Real5 OmniDocBench, ale tabela samego benchmarku pokazuje 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 to niewielki model wizyjno-językowy, który ma robić więcej niż samo rozpoznawanie tekstu. Według opisu producenta łączy analizę dokumentów, wyodrębnianie kluczowych informacji oraz odpowiadanie na pytania o ich treść i układ.39
1
Informacja o premierze pojawiła się 31 października 2026 r. i mówiła o ogłoszeniu modelu poprzedniego wieczoru. Jest jednak ważny szczegół: karta projektu podaje, że raport techniczny opublikowano, a wagi udostępniono już 30 września. Październikowe ogłoszenie nie musi więc oznaczać pierwszej publicznej dostępności modelu.39
8
OCR, ale nie tylko odczytywanie znaków
OCR, czyli optyczne rozpoznawanie znaków, zwykle kojarzy się z zamianą obrazu tekstu na tekst cyfrowy. Xiaomi-OCR-0 ma dodatkowo analizować układ strony i relacje między jej elementami. Producent wskazuje na dokumenty takie jak artykuły naukowe, tabele i paragony, a także na zadania polegające na wyciąganiu konkretnych informacji i odpowiadaniu na pytania dotyczące obrazu.39
1
Model ma 0,8 mld parametrów i został opracowany z myślą o rozumieniu dokumentów. Nie oznacza to jednak, że każdy opisywany scenariusz — na przykład pełna obsługa konkretnego formularza czy wszystkie możliwe pytania o wykres — został niezależnie potwierdzony w dostępnych materiałach.
Jak model był trenowany
Raport techniczny opisuje Xiaomi-OCR-0 jako model bazujący na Qwen3.5-0.8B, trenowany na zbiorze około 170 mln próbek związanych z OCR. Przy przygotowywaniu danych zastosowano, według raportu, połączenie uzgodnień między ekspertami, weryfikacji przez ponowne renderowanie oraz ukierunkowanego tworzenia przykładów.1
Karta modelu wymienia trzy etapy trenowania: Q-Mask, które ma wiązać tekst z jego położeniem na stronie; dalsze trenowanie skoncentrowane na OCR; oraz uczenie ze wzmocnieniem w wielu zadaniach, wykorzystujące możliwe do zweryfikowania nagrody przy trudniejszych przykładach.19 Źródła potwierdzają ogólny zarys tej metody, ale nie wyjaśniają wszystkich szczegółów tworzenia danych ani definicji nagród.
Wyniki testów: wysokie liczby i rozbieżność
Materiały Xiaomi i karta modelu podają następujące wyniki:1
3
| Test lub zadanie | Wynik | Kontekst |
|---|---|---|
| OmniDocBench v1.6 | 96,83 | W porównaniu wskazanym w karcie modelu: drugie miejsce. |
| Real5-OmniDocBench | 95,24 | Wynik podany przez Xiaomi; materiały modelu przypisują mu pierwsze miejsce. |
| Wild-OmniDocBench | 87,94 | W porównaniu wskazanym w karcie modelu: drugie miejsce. |
| UniMER-Test | 97,84 | Wynik w rozpoznawaniu wzorów matematycznych. |
| PubTabNet | 92,27 | Wynik w rozpoznawaniu tabel. |
| Średnia z pięciu testów wizualnego odpowiadania na pytania | 83,2 | Średnia z DocVQA, InfoVQA, ChartQA, OCRBench i TextVQA. |
Wynik Real5-OmniDocBench wymaga zastrzeżenia. Na liście wyników prowadzonej przez twórców benchmarku Xiaomi-OCR-0 ma 92,73 punktu łącznie. Podano tam też wyniki dla poszczególnych warunków: 93,73 przy skanowaniu, 92,76 przy zniekształceniu obrazu, 92,80 przy fotografowaniu ekranu, 92,68 przy zmianach oświetlenia i 91,69 przy przekrzywieniu dokumentu. To nie zgadza się z wynikiem 95,24 prezentowanym przez Xiaomi. Dostępne źródła nie tłumaczą rozbieżności, dlatego tych wartości nie należy traktować jako zamiennych.2
5
Średnia 83,2 z pięciu testów VQA również jest wynikiem podanym w materiałach modelu, a nie obietnicą takiej samej skuteczności w każdym dokumencie i przy każdym pytaniu. Karta modelu porównuje tę średnią z wynikiem 80,9 dla Qwen3.5-2B; porównania z innymi modelami zależą od konkretnego źródła i konfiguracji testu.3
14
Zastosowania w telefonie i narzędzia dla programistów
Październikowy artykuł łączy Xiaomi-OCR-0 z funkcją rozumienia zawartości ekranu w asystencie Super XiaoAi. Wśród przykładów wymienia wyszukiwanie kodu odbioru zamówienia, odczytywanie godziny i miejsca z plakatu oraz wyciąganie kwoty i nazwy sprzedawcy z rachunku.39
Materiały projektu wskazują też na repozytoria modelu w serwisach Hugging Face i GitHub. Opisują ponadto demonstrację w przeglądarce oraz lokalne narzędzia MCP i Agent Skill do OCR, analizy PDF-ów, wyodrębniania informacji i wizualnego odpowiadania na pytania.25
9
30
31
32 Są to interfejsy i narzędzia dla deweloperów — same w sobie nie dowodzą, że każdy taki proces działa bezpośrednio na telefonie.
Co można uznać za potwierdzone?
Źródła pokazują, że Xiaomi-OCR-0 to model o 0,8 mld parametrów przeznaczony do analizy dokumentów i zadań związanych z OCR. Opisują też korpus liczący około 170 mln próbek, deklarowane możliwości modelu oraz wyniki podawane przez Xiaomi. Jednocześnie co najmniej jeden ważny wynik benchmarkowy różni się od wartości widocznej na stronie samego testu.1
2
5
Szczegółowe obietnice dotyczące określonych formatów wyjściowych, dokładnego działania przy obliczeniach na podstawie wielu fragmentów dokumentu czy wszystkich scenariuszy użycia w telefonie nie są potwierdzone przez dostępne tu źródła. Warto więc traktować je jako potencjalne zastosowania, a nie gwarantowane funkcje.
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 "Xiaomi-OCR-0 ma 0,8 mld parametrów i łączy OCR z rozumieniem dokumentów"?
Xiaomi OCR 0 to model o 0,8 mld parametrów do analizy dokumentów, wyodrębniania kluczowych informacji i odpowiadania na pytania dotyczące obrazu.
What are the key points to validate first?
Xiaomi OCR 0 to model o 0,8 mld parametrów do analizy dokumentów, wyodrębniania kluczowych informacji i odpowiadania na pytania dotyczące obrazu. Model bazuje na Qwen3.5 0.8B i był trenowany na około 170 mln próbek związanych z OCR; opisana metoda obejmuje kotwiczenie tekstu, dalsze trenowanie i uczenie ze wzmocnieniem.[1]
What should I do next in practice?
W materiałach Xiaomi podano wynik 95,24 w Real5 OmniDocBench, ale tabela samego benchmarku pokazuje 92,73.