Xiaomi-OCR-0
компактная OCR-VLM на 0,8B для разбора документов
1 мин чтенияобновлено
Xiaomi-OCR-0 — специализированная vision-language модель на 0,8B параметров, созданная на базе Qwen3.5-0.8B-Base. Она объединяет разбор документов и OCR-ориентированное понимание: извлекает текст, таблицы и формулы, отвечает на вопросы по изображениям и вытаскивает структурированные поля.
Ключевые особенности
- Одна модель на 0,8B для парсинга документов, OCR-VQA и KIE.
- Устойчива к сканам, перекосу, искажениям и переснятым документам.
- Понимает не только транскрипцию: отвечает на вопросы и извлекает поля по JSON-схеме.
- Обучена на ~170 млн OCR-примеров с Q-Mask, CPT и Mix-RL.
- Есть GGUF-квантования и BF16-пакет для Ollama от сообщества.
Пример
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText
MODEL = 'SeerRay-Lab/Xiaomi-OCR-0'
processor = AutoProcessor.from_pretrained(MODEL)
model = AutoModelForImageTextToText.from_pretrained(MODEL, dtype=torch.float16).to('cuda').eval()
# далее: сообщение с image + промптом и model.generate(...)
Подробнее
Бенчмарки: 95.24 на Real5-OmniDocBench (#1), 96.83 на OmniDocBench v1.6 (#2), 87.94 на Wild-OmniDocBench (#2).OCR-VQA: среднее 83.2 против 80.9 у Qwen3.5-2B при 0,8B параметров.
Вес около 1,8 ГБ в BF16 GGUF для Ollama; сообщество также выложило квантования Q3–Q6.
Ограничение: карточка не приводит список поддерживаемых языков; качество GGUF-сборок сообщества авторами не проверялось.










Комментарии