AnswersPublished24 sources
Xiaomi-OCR-0 ska förstå dokument, inte bara läsa text
Xiaomi OCR 0 är en modell med 0,8 miljarder parametrar för dokumentanalys, utvinning av nyckeluppgifter och visuella frågor. Den bygger på Qwen3.5 0.8B och tränades på omkring 170 miljoner OCR inriktade exempel med textpositionering, fortsatt förträning och förstärkningsinlärning.[1] Xiaomi uppger starka benchmarkre...
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Xiaomi OCR 0 är en modell med 0,8 miljarder parametrar för dokumentanalys, utvinning av nyckeluppgifter och visuella frågor.
- Den bygger på Qwen3.5 0.8B och tränades på omkring 170 miljoner OCR inriktade exempel med textpositionering, fortsatt förträning och förstärkningsinlärning.[1]
- Xiaomi uppger starka benchmarkresultat, men Real5 OmniDocBench redovisar en annan totalsiffra än Xiaomis modellmaterial.[1][2][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 är en kompakt bild- och språkmodell som ska göra mer än att känna igen text. Den är byggd för att tolka dokument, plocka ut viktig information och svara på frågor om innehållet. En nyhetsartikel publicerad den 31 oktober 2026 uppger att Xiaomi presenterade modellen kvällen innan. Men modellkortet daterar den tekniska rapporten och publiceringen av modellvikterna till den 30 september, så oktoberbeskedet verkar inte ha varit modellens första offentliga lansering.39
8
En modell för dokument och frågor om innehållet
Xiaomi beskriver modellen, med 0,8 miljarder parametrar, som ett verktyg för att förstå både innehåll och layout. Det ska omfatta dokument som vetenskapliga artiklar, tabeller och kvitton. Bland de angivna uppgifterna finns dokumenttolkning, extraktion av nyckelinformation och frågor om visuellt innehåll.39
1
Projektets utvecklarmaterial beskriver också en webbdemo och lokala verktyg. Ett GitHub-arkiv innehåller bland annat en MCP-tjänst och en Agent Skill för OCR, PDF-tolkning, informationsutvinning och visuella frågor.30
31
32 Det är gränssnitt och verktyg för utvecklare runt modellen – inte belägg för att alla funktioner körs direkt på en mobiltelefon.
Så beskriver Xiaomi träningen
Den tekniska rapporten säger att Xiaomi-OCR-0 bygger vidare på Qwen3.5-0.8B och tränades på en OCR-inriktad samling med omkring 170 miljoner exempel. Datapipelinen kombinerar expertbedömningar, verifiering genom återrendering och riktad syntetisk data.1
Modellkortet beskriver tre träningssteg: Q-Mask-textankring, som kopplar text till dess position; fortsatt OCR-inriktad förträning; och förstärkningsinlärning med blandade uppgifter, där svåra exempel får verifierbara belöningar.19 Källorna ger stöd för den övergripande träningsbeskrivningen, men fastslår inte alla detaljer om dataskapandet eller hur belöningarna definieras.
Resultaten som Xiaomi lyfter fram
Xiaomis tekniska rapport och modellkort anger följande resultat:1
3
| Test eller uppgift | Rapporterat resultat | Kommentar |
|---|---|---|
| OmniDocBench v1.6 | 96,83 | Modellkortet placerar modellen på andra plats i jämförelsen. |
| Real5-OmniDocBench | 95,24 | Xiaomi uppger resultatet och hävdar förstaplats. |
| Wild-OmniDocBench | 87,94 | Modellkortet placerar modellen på andra plats i jämförelsen. |
| UniMER-Test | 97,84 | Resultat för formeligenkänning enligt modellkortet. |
| PubTabNet | 92,27 | Resultat för tabelligenkänning enligt modellkortet. |
| Fem OCR-inriktade tester för visuella frågor | 83,2 i snitt | Modellkortet anger ett genomsnitt för DocVQA, InfoVQA, ChartQA, OCRBench och TextVQA. |
Real5-resultatet behöver en brasklapp. Benchmarkens egen resultattavla anger 92,73 totalt för Xiaomi-OCR-0. Där listas också 93,73 för skanning, 92,76 för deformation, 92,80 för fotografering av skärm, 92,68 för belysning och 91,69 för lutning. Det skiljer sig från Xiaomis angivna 95,24. De tillgängliga källorna förklarar inte skillnaden, så siffrorna bör inte behandlas som utbytbara.2
5
Genomsnittet 83,2 för de fem visuella frågetesterna är också ett rapporterat benchmarkresultat, inte en garanti för hur modellen klarar varje dokument eller fråga. Modellkortet jämför resultatet med Qwen3.5-2B, som får 80,9. Jämförelser med andra modeller beror på vilken källa och testuppsättning som används.3
14
Mobilanvändning och öppna verktyg
Nyhetsartikeln från oktober kopplar Xiaomi-OCR-0 till Super XiaoAis funktion för att förstå skärmen med ett tryck. Som exempel nämns att hitta en upphämtningskod, läsa tid och plats på en affisch eller plocka ut belopp och företag från ett kvitto.39
Projektmaterialet listar modellarkiv på Hugging Face och GitHub. Där finns också en webbdemo samt lokala MCP- och Agent Skill-verktyg enligt GitHub-materialet.25
9
30
31
32
Vad underlaget visar – och inte visar
Källorna ger stöd för huvudbilden: Xiaomi-OCR-0 är en dokumenttolkningsmodell med 0,8 miljarder parametrar, tränad på en stor OCR-inriktad datamängd och avsedd för dokumentanalys, informationsutvinning och visuella frågor. De visar också att ett viktigt benchmarkresultat skiljer sig mellan modellmaterialet och testets resultattavla.1
2
5
Mer specifika påståenden – till exempel exakt hur modellen formaterar JSON för olika dokumenttyper, hur den gör beräkningar över flera delar av en bild eller om varje tänkt mobilfunktion fungerar i praktiken – är inte styrkta av källorna här. De bör därför ses som möjliga användningsområden, inte som verifierade 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 "Xiaomi-OCR-0 ska förstå dokument, inte bara läsa text"?
Xiaomi OCR 0 är en modell med 0,8 miljarder parametrar för dokumentanalys, utvinning av nyckeluppgifter och visuella frågor.
What are the key points to validate first?
Xiaomi OCR 0 är en modell med 0,8 miljarder parametrar för dokumentanalys, utvinning av nyckeluppgifter och visuella frågor. Den bygger på Qwen3.5 0.8B och tränades på omkring 170 miljoner OCR inriktade exempel med textpositionering, fortsatt förträning och förstärkningsinlärning.[1]
What should I do next in practice?
Xiaomi uppger starka benchmarkresultat, men Real5 OmniDocBench redovisar en annan totalsiffra än Xiaomis modellmaterial.[1][2][5]