小米开源 0.8B 参数 OCR 小模型：打通文档解析与视觉问答，支持 Markdown 与 JSON 输出

小米近日宣布开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模为0.8B，模型权重与推理代码已同步上线 Hugging Face 和 GitHub。该模型定位为单一模型同时覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务，旨在降低文档智能化处理的门槛。

在文档解析方向，Xiaomi-OCR-0 可识别正文、表格与数学公式，并按阅读顺序输出结构化结果，原生支持 Markdown 与 LaTeX 格式。这意味着复杂文档中的排版信息可以被完整保留，便于后续编辑或渲染，对知识库构建、学术资料数字化等场景具有实用价值。

关键信息抽取功能面向发票、收据、卡证和业务表单，能够依据指定字段定位并输出 JSON 等结构化数据，可直接接入自动化处理流程。这一能力将 OCR 从单纯的文字识别推进到语义理解层面，有助于企业财务、行政等环节实现票据信息的自动录入与校验。

OCR 视觉问答则允许用户围绕文档与图表内容进行自然语言交互，模型可结合图像上下文回答具体问题。这为文档检索、辅助阅读等应用提供了更灵活的交互方式，也体现了多模态模型在轻量级设备上的落地潜力。

小米此次开源选择 0.8B 的小参数量，兼顾了性能与部署成本，适合在移动端或边缘设备上运行。随着模型权重与推理代码公开，开发者可以基于该模型进行二次开发，推动文档理解能力在更多垂直场景中快速应用。

本站展示内容为基于公开信息的资讯解读与整理，不代表原文转载。如需核实细节或获取完整报道，请通过下方链接访问原始来源。