小米开源0.8B参数文档理解模型Xiaomi-OCR-0，称多项基准领先

中国科技公司小米于2026年10月30日晚间发布并开源了轻量级全能文档理解模型Xiaomi-OCR-0。该模型参数量仅为0.8B（8亿），将文档解析、关键信息抽取（KIE）与OCR视觉问答（VQA）三类能力融合于一体。小米表示，该模型旨在解决复杂表格、论文和票据的结构化解析难题，并推动手机端“超级小爱”助手从单纯的“文字识别”向更深层的“文档理解”演进。

据智东西报道，Xiaomi-OCR-0在检验综合文档解析能力的权威基准OmniDocBench v1.6中取得96.83分，位列1B以下参数模型第一；在五项主流OCR视觉问答基准的平均分为83.2，优于HunyuanOCR、TokenVL等模型，并以约20%的参数规模逼近Qwen3.5-4B的成绩。此外，在模拟真实物理采集条件的Real5-OmniDocBench基准中，该模型得分95.24，在对比模型中排名第一。需要指出的是，上述成绩均为厂商自测结果，尚未经过独立第三方复现验证。

技术实现上，Xiaomi-OCR-0基于Qwen3.5-0.8B-Base基座构建，训练使用了约1.7亿条高质量样本。团队采用了三阶段渐进式策略：首先通过Q-Mask文本锚定强化视觉与文字的空间对应，随后进行大规模多任务预训练以建立全页解析基座，最后引入混合任务强化学习以提升复杂版式还原和多步推理能力。数据引擎方面，小米引入了异构专家共识机制和渲染引导校验闭环，以滤除单模型偏见并修正结构缺陷。

小米已完整公开该模型的权重与推理代码，并提供浏览器交互式Demo、MCP服务以及Agent Skill工具包。这一举措有望降低端侧设备和智能体集成高级文档理解能力的门槛，使OCR从单一工具转变为可被调用的基础能力。对于开发者而言，获取一个具备较强语义理解能力的轻量级开源模型，可能改变以往依赖云端大模型或组合多个专用小模型的技术路径。