К содержимому
Компьютерное зрение

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(...)
ПодробнееБенчмарки: 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.
Примеры и видео
Обсудить Telegram 0 14

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.6 GB · готовые файлы2.3 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Jamesl0l/Xiaomi-OCR-0
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Jamesl0l/Xiaomi-OCR-0 --local-dir ~/models/Xiaomi-OCR-0
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Xiaomi-OCR-0
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3.5-0.8B-Base

Новые посты про версии Qwen3.5-0.8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

Jamesl0l/Xiaomi-OCR-0
Автор
Jamesl0l
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

140

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

CAIAAD

CAIAAD