小米开源 0.8B 文档模型：一个模型兼顾解析、抽取与视觉问答

小米在 10 月 30 日放出了一个只有 0.8B 参数的文档理解模型，取名 Xiaomi OCR 0，权重与推理代码同时放上了开源社区。官方的说法是，这一个模型要同时应付版面解析、字段抽取和针对图文的问答。

解析能力覆盖正文、表格和数学公式，输出时按照人的阅读顺序组织，格式上原生给出 Markdown 与 LaTeX。字段抽取则瞄准发票、收据、卡证与业务表单，用户指定需要哪些字段，模型定位后直接吐 JSON，方便接进自动化流水线。

问答能力不只做文字转写。它可以跨区域检索文档与图表里的内容，做数值计算，也能就语义做推理。

底座选的是通义千问 3.5 的 0.8B 基础版，训练喂了 1.7 亿条样本，OCR 与文档理解都包含在内。标注环节引入多个 OCR 专家模型交叉校验，用投票筛出置信度高的结果，避免单一模型把错标当正解。

复杂表格和公式是这类模型最容易翻车的地方。团队的做法是把候选解析结果重新渲染成图片，再跟原始区域比像素、比结构，一旦发现行列错位或符号丢了，就回到对应位置修正。训练数据里还合成了大量困难样本，覆盖多语种、古籍手写、屏幕摩尔纹和扭曲光照。

训练分三步走。第一步用 Q Mask 把视觉局部区域和文字单元在空间上对齐；第二步做 OCR 持续预训练，用百亿级的多任务混合数据打底；第三步是混合任务强化学习，奖励信号取自结构编辑距离、表格匹配程度、问答正确率。

成绩单比较亮眼。Real5 OmniDocBench 模拟扫描件、弯折的纸、翻拍的屏幕、变化的光线与倾斜角度五种采集方式，这个模型拿到 95.24 分，在参评模型里排第一；Wild OmniDocBench 上得 87.94 分。再看综合基准的 1.6 版榜单，它以 96.83 分位居第二，距榜首 0.04 分，在 1B 以下参数组里是第一。

专项测试中，数学公式基准 UniMER Test 得 97.84 分，表格结构基准 PubTabNet 得 92.27 分；古籍与书法测试集 Chronicles OCR 上，它得到 73 分；闭源模型 Seed 2.0 Pro 同期为 72 分，两者基本齐平。

在文档问答、信息抽取问答、图表问答、OCR 综合与文本问答五个基准上取平均，该模型为 83.2 分。官方给出的对比里，混元 OCR 1.5 是 76.5 分，TokenVL 2B 是 78.1 分，TextHawk2 是 78.5 分；通用多模态这边，通义千问 3.5 的 2B 版本 80.9 分，8B 的 MiniCPM V 4.5 为 82.6 分，4B 版本的通义千问 3.5 则到 84.9 分。

手机上已经能看到落地形态。超级小爱支持短按 AI 键、三指上滑或语音唤起，把屏幕里的取餐码、取件码与排号提取出来放在显眼位置。账单和卡证场景能读出交易金额、商户、付款时间以及消费分类，交给智能记账；发票、身份证、银行卡拍一张就完成字段提取。群聊里的会议通知或海报上的时间地点，也能被识别成日程卡片。

配套工具包括浏览器里的交互式演示、MCP 服务和 Agent Skill 工具集，第三方可以按自己的业务流程接入。0.8B 的体量让端侧部署不再是难题，这也是小参数文档模型最近被反复讨论的原因。

文章与图片内容转载网络，如有侵权请联系平台删除