什么值得买App下载 App ›
连续签到专享现金活动

小米开源0.8B参数OCR小模型:问答成绩超过两倍体量的对手,权重其实一个月前就已放出

小米把文档 OCR 装进了一个只有 0.8B(8 亿)参数的模型里。10 月 30 日晚,名为 Xiaomi-OCR-0 的小模型冲上热榜:按媒体转述,它可同时覆盖文档解析、关键信息抽取与视觉问答,性能在 1B 以下模型中登顶,权重与推理代码已开放。 值得先说清的是,这并非当天才发生的事。官方动态明确记录:技术报告和模型权重早在 2026 年 9 月 30 日就已发布,10 月 8 日才专门鸣谢社区贡献了 GGUF 等量化版本——从放出到登上热榜的这一个多月,正好是社区把它跑顺、媒体集中回流的窗口期。微博GitHubHugging Face

分数需要分层看。官方口径下,它在 Real5-OmniDocBench 拿 95.24、OmniDocBench v1.6 拿 96.83、Wild-OmniDocBench 拿 87.94,五个 OCR 视觉问答基准平均 83.2。 但"登顶"有范围:Real5 一项它是全场第一,另两项只排第二,总榜头名属于参数更多的 TeleOCR——官方对比表里,这个 1.2B 模型的两项分数是 96.87 和 88.53。 真正超出同级的地方在"读懂":83.2 的问答平均分超过了参数两倍的 Qwen3.5-2B,后者只有 80.9。 另外要注意,三项解析跑分用的都是官方两阶段推理流程,换评测方法数字会有浮动。arXivGitHubHugging Face

小而不弱,靠的不是把大模型硬压小,而是专项数据。技术报告给出的配方是:基于约 1.7 亿条样本的 OCR 专用语料和自动化数据引擎,从 Qwen3.5-0.8B 出发,依次做 Q-Mask 文字锚定、继续预训练与混合任务强化学习。 报告同时说明,其目标是把"转写文字"和"理解文档"收进同一个模型,而不只做文字搬运。arXiv

对用户来说,0.8B 的意义主要是"能在本地跑"。社区维护者明确把这套量化定位为让模型脱离英伟达独显、跑在 CPU 或非 NVIDIA GPU 上的方案;原始权重约 1.75GB,Q4 量化包只有 517MB,再配一个 198MB 的视觉模块即可运行。 协议也友好:模型卡标注许可证为 apache-2.0,个人和企业都可免费使用。 官方仓库自带浏览器 Demo 和面向 Agent 的接入方式,扫描件、合同、票据这类涉及隐私的文档不用上传服务器也能解析,这正是它被放进"端侧 AI 落地"话题下讨论的原因。GitHubHugging Face知乎

热榜词条本身只是引子,背后是一条正在加速的赛道:在第三方用 200 个真实样本做的交叉评测里,Xiaomi-OCR-0 已经和 MiniCPM-OCR 1.0、GLM-OCR、PaddleOCR-VL-1.6 这些开源解析模型被放进同一张对比表。 也就是说,十月下旬以来小参数文档模型密集交卷,小米不是唯一玩家,但它是目前"1B 以下"档任务覆盖最全、公开成绩最完整的一个。知乎

边界同样要交代清楚。官方在文档里提醒:手写、书法、历史文献等版式不规则的内容应使用整页解析,区域并发模式只适合规整印刷文档,错误切块会丢失上下文。 换句话说,它解决的是"把文档变成可检索、可计算的结构化数据",而不是替人判断内容对错。GitHub

接下来值得盯的有两个信号:一是端侧生态,目前社区已经做出 GGUF、MLX 等多种本地化格式,手机和 PC 厂商的本地文档功能是否会接入这类小模型,会直接决定它的热度是昙花一现还是长期基建;二是评测口径,"1B 以下登顶"是小米官方整理的成绩,第三方能否在自己的业务样本上复现,才是它能否从榜单走向真实产线的关键。

评论

评论区空态插画

当前文章无评论,是时候发表评论了