คำตอบเผยแพร่แล้ว24 แหล่งที่มา
Xiaomi-OCR-0 โมเดล 0.8B อ่านเอกสารเก่งแค่ไหน? ผลทดสอบมีจุดที่ต้องรู้
Xiaomi OCR 0 เป็นโมเดล 0.8B สำหรับแยกวิเคราะห์เอกสาร ดึงข้อมูลสำคัญ และตอบคำถามจากภาพ โดยมีรายงานข่าวระบุว่า Xiaomi ประกาศเปิดตัวช่วงปลายเดือนตุลาคม 2026 แต่โมเดลการ์ดระบุว่ารายงานทางเทคนิคและน้ำหนักโมเดลเผยแพร่ตั้งแต... โมเดลเริ่มจาก Qwen3.5 0.8B และฝึกด้วยชุดข้อมูลเน้น OCR ราว 170 ล้านตัวอย่าง โดยใช้การผูกข้อความก...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Xiaomi OCR 0 เป็นโมเดล 0.8B สำหรับแยกวิเคราะห์เอกสาร ดึงข้อมูลสำคัญ และตอบคำถามจากภาพ โดยมีรายงานข่าวระบุว่า Xiaomi ประกาศเปิดตัวช่วงปลายเดือนตุลาคม 2026 แต่โมเดลการ์ดระบุว่ารายงานทางเทคนิคและน้ำหนักโมเดลเผยแพร่ตั้งแต...
- โมเดลเริ่มจาก Qwen3.5 0.8B และฝึกด้วยชุดข้อมูลเน้น OCR ราว 170 ล้านตัวอย่าง โดยใช้การผูกข้อความกับตำแหน่ง การฝึกต่อเฉพาะทาง และการเรียนรู้แบบเสริมแรงหลายงาน[1][19]
- มีตัวเลข Real5 OmniDocBench สองชุดที่ไม่ตรงกัน: เอกสารของ Xiaomi รายงาน 95.24 ขณะที่ลีดเดอร์บอร์ดของชุดทดสอบระบุคะแนนรวม 92.73 และแหล่งข้อมูลที่มีไม่ได้อธิบายสาเหตุของความต่าง[1][2][5]
AI พรอมต์
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 เป็นโมเดลวิชัน-ภาษาแบบกะทัดรัดที่ตั้งใจทำมากกว่าการอ่านข้อความจากภาพ โดยรวมความสามารถด้านการแยกโครงสร้างเอกสาร การดึงข้อมูลสำคัญ และการตอบคำถามจากภาพไว้ในโมเดลเดียว รายงานข่าววันที่ 31 ตุลาคม 2026 ระบุว่า Xiaomi ประกาศโมเดลในคืนก่อนหน้า อย่างไรก็ตาม โมเดลการ์ดระบุว่ารายงานทางเทคนิคและน้ำหนักโมเดลเผยแพร่ตั้งแต่วันที่ 30 กันยายน จึงไม่ควรเข้าใจว่าการประกาศในเดือนตุลาคมเป็นวันที่โมเดลเปิดให้ใช้งานครั้งแรก39
8
โมเดลเดียวทำอะไรได้บ้าง
Xiaomi อธิบายว่าโมเดลขนาด 0.8 พันล้านพารามิเตอร์นี้ออกแบบมาเพื่อทำความเข้าใจทั้งเนื้อหาและเลย์เอาต์ของเอกสาร รวมถึงเอกสารซับซ้อนอย่างงานวิจัย ตาราง และใบเสร็จ ความสามารถที่ระบุไว้ประกอบด้วยการแยกวิเคราะห์เอกสาร การดึงข้อมูลสำคัญ และการตอบคำถามเกี่ยวกับเนื้อหาในภาพ39
1
พูดให้เห็นภาพ งานจึงไม่ได้จบแค่ถอดตัวอักษร แต่ยังครอบคลุมการทำความเข้าใจว่าเนื้อหาส่วนต่าง ๆ อยู่ตรงไหนและเกี่ยวข้องกันอย่างไร อย่างไรก็ดี แหล่งข้อมูลที่มีรองรับภาพรวมของความสามารถเหล่านี้ ไม่ได้ยืนยันรายละเอียดการทำงานทุกแบบ เช่น รูปแบบผลลัพธ์สำหรับเอกสารแต่ละประเภท
เบื้องหลังการฝึกโมเดล
รายงานทางเทคนิคระบุว่า Xiaomi-OCR-0 พัฒนาต่อยอดจาก Qwen3.5-0.8B และฝึกด้วยชุดข้อมูลที่เน้น OCR ราว 170 ล้านตัวอย่าง กระบวนการจัดเตรียมข้อมูลอาศัยฉันทามติจากผู้เชี่ยวชาญ การตรวจสอบด้วยการเรนเดอร์ และการสร้างข้อมูลสังเคราะห์แบบเจาะจง1
โมเดลการ์ดอธิบายการฝึกไว้สามช่วง ได้แก่ การใช้ Q-Mask ผูกข้อความเข้ากับตำแหน่งในเอกสาร การฝึกต่อด้วยข้อมูลที่เน้น OCR และการเรียนรู้แบบเสริมแรงหลายงาน โดยใช้รางวัลที่ตรวจสอบได้กับตัวอย่างที่ยาก19 แหล่งข้อมูลยืนยันแนวทางโดยรวมนี้ แต่ไม่ได้ให้รายละเอียดเพียงพอที่จะยืนยันวิธีสร้างข้อมูลหรือสูตรรางวัลทุกส่วนที่มีการกล่าวถึงในคำอธิบายบางแห่ง
คะแนนทดสอบที่รายงาน
เอกสารทางเทคนิคและข้อมูลในโมเดลการ์ดของ Xiaomi รายงานผลเด่นดังนี้1
3
| เบนช์มาร์กหรืองาน | คะแนนที่รายงาน | หมายเหตุ |
|---|---|---|
| OmniDocBench v1.6 | 96.83 | โมเดลการ์ดจัดอันดับที่ 2 ในการเปรียบเทียบที่อ้างถึง |
| Real5-OmniDocBench | 95.24 | Xiaomi รายงานคะแนนนี้และอ้างว่าได้อันดับ 1 |
| Wild-OmniDocBench | 87.94 | โมเดลการ์ดจัดอันดับที่ 2 ในการเปรียบเทียบที่อ้างถึง |
| UniMER-Test | 97.84 | คะแนนด้านการรู้จำสูตรคณิตศาสตร์ตามโมเดลการ์ด |
| PubTabNet | 92.27 | คะแนนด้านการรู้จำตารางตามโมเดลการ์ด |
| เบนช์มาร์ก VQA ที่เน้น OCR 5 ชุด | ค่าเฉลี่ย 83.2 | โมเดลการ์ดระบุค่าเฉลี่ยจาก DocVQA, InfoVQA, ChartQA, OCRBench และ TextVQA |
คะแนน Real5-OmniDocBench มีข้อควรระวัง: ลีดเดอร์บอร์ดของเบนช์มาร์กระบุคะแนนรวมของ Xiaomi-OCR-0 ที่ 92.73 โดยแยกเป็น 93.73 สำหรับภาพสแกน, 92.76 สำหรับภาพที่มีการบิดงอ, 92.80 สำหรับภาพถ่ายหน้าจอ, 92.68 สำหรับสภาพแสง และ 91.69 สำหรับภาพเอียง ตัวเลขรวมนี้ไม่ตรงกับ 95.24 ที่ Xiaomi รายงาน และแหล่งข้อมูลที่มีไม่ได้อธิบายความต่าง จึงไม่ควรนำคะแนนทั้งสองชุดมาใช้แทนกัน2
5
ส่วนค่าเฉลี่ย VQA ที่ 83.2 เป็นผลทดสอบที่รายงาน ไม่ใช่การรับประกันว่าจะทำได้เท่ากันกับเอกสารหรือคำถามทุกแบบ โมเดลการ์ดเปรียบเทียบคะแนนนี้กับ Qwen3.5-2B ที่ 80.9 ส่วนผลเปรียบเทียบกับโมเดลอื่นอาจต่างกันตามแหล่งข้อมูลและเงื่อนไขการทดสอบ3
14
การใช้งานและเครื่องมือสำหรับนักพัฒนา
รายงานข่าวเชื่อมโยง Xiaomi-OCR-0 กับฟีเจอร์แตะครั้งเดียวเพื่อทำความเข้าใจหน้าจอของ Super XiaoAi พร้อมยกตัวอย่างการค้นหารหัสรับอาหาร อ่านเวลาและสถานที่บนโปสเตอร์ และดึงยอดเงินกับชื่อร้านค้าจากบิล39
ในส่วนเครื่องมือสำหรับนักพัฒนา มีหน้าโมเดลบน Hugging Face และโปรเจ็กต์บน GitHub พร้อมเดโมบนเบราว์เซอร์ บริการ MCP และ Agent Skill สำหรับงาน OCR การแยกวิเคราะห์ PDF การดึงข้อมูลสำคัญ และการตอบคำถามจากภาพ25
9
30
31
32 เครื่องมือเหล่านี้เป็นช่องทางใช้งานสำหรับนักพัฒนา ไม่ใช่หลักฐานว่าทุกขั้นตอนทำงานบนโทรศัพท์ได้โดยตรง
สรุป: จุดเด่นชัด แต่ควรอ่านคะแนนอย่างรอบคอบ
ข้อมูลที่มีรองรับภาพรวมว่า Xiaomi-OCR-0 เป็นโมเดลทำความเข้าใจเอกสารขนาด 0.8B ฝึกด้วยชุดข้อมูลที่เน้น OCR ขนาดใหญ่ และออกแบบให้รองรับทั้งการแยกวิเคราะห์เอกสาร การดึงข้อมูล และการตอบคำถามจากภาพ ขณะเดียวกัน คะแนน Real5-OmniDocBench ที่ปรากฏในเอกสารของโมเดลกับลีดเดอร์บอร์ดมีความแตกต่างกัน1
2
5
รายละเอียดเฉพาะเจาะจงกว่านั้น เช่น การส่งออก JSON สำหรับเอกสารบางชนิด การคำนวณข้อมูลที่อยู่คนละบริเวณของหน้า หรือทุกขั้นตอนการใช้งานบนโทรศัพท์ ยังไม่ได้รับการยืนยันจากแหล่งข้อมูลที่มี จึงควรมองสิ่งเหล่านี้เป็นตัวอย่างการใช้งานที่เป็นไปได้ ไม่ใช่ความสามารถที่พิสูจน์แล้วในทุกกรณี
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Xiaomi-OCR-0 โมเดล 0.8B อ่านเอกสารเก่งแค่ไหน? ผลทดสอบมีจุดที่ต้องรู้" คืออะไร
Xiaomi OCR 0 เป็นโมเดล 0.8B สำหรับแยกวิเคราะห์เอกสาร ดึงข้อมูลสำคัญ และตอบคำถามจากภาพ โดยมีรายงานข่าวระบุว่า Xiaomi ประกาศเปิดตัวช่วงปลายเดือนตุลาคม 2026 แต่โมเดลการ์ดระบุว่ารายงานทางเทคนิคและน้ำหนักโมเดลเผยแพร่ตั้งแต...
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Xiaomi OCR 0 เป็นโมเดล 0.8B สำหรับแยกวิเคราะห์เอกสาร ดึงข้อมูลสำคัญ และตอบคำถามจากภาพ โดยมีรายงานข่าวระบุว่า Xiaomi ประกาศเปิดตัวช่วงปลายเดือนตุลาคม 2026 แต่โมเดลการ์ดระบุว่ารายงานทางเทคนิคและน้ำหนักโมเดลเผยแพร่ตั้งแต... โมเดลเริ่มจาก Qwen3.5 0.8B และฝึกด้วยชุดข้อมูลเน้น OCR ราว 170 ล้านตัวอย่าง โดยใช้การผูกข้อความกับตำแหน่ง การฝึกต่อเฉพาะทาง และการเรียนรู้แบบเสริมแรงหลายงาน[1][19]
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
มีตัวเลข Real5 OmniDocBench สองชุดที่ไม่ตรงกัน: เอกสารของ Xiaomi รายงาน 95.24 ขณะที่ลีดเดอร์บอร์ดของชุดทดสอบระบุคะแนนรวม 92.73 และแหล่งข้อมูลที่มีไม่ได้อธิบายสาเหตุของความต่าง[1][2][5]