小米发布OCR-0：统一文档解析与OCR理解模型，性能领先

摘要：小米实验室发布了名为Xiaomi-OCR-0的统一文档解析与OCR理解模型。该模型基于Qwen3.5-0.8B架构，通过自动化数据引擎构建了约1.7亿样本的OCR专用语料库，并结合Q-Mask文本锚定、持续预训练和混合任务强化学习（Mix-RL）技术进行训练。在多个基准测试中，Xiaomi-OCR-0表现出色，例如在Real5-OmniDocBench上得分95.24，OmniDocBench v1.6上得分96.83，Wild-OmniDocBench上得分87.94，并在五个OCR导向的VQA基准测试中平均得分83.2。

---

技术机制剖析

Xiaomi-OCR-0的核心架构基于Qwen3.5-0.8B模型，这是一种轻量级的大语言模型（LLM），专为OCR任务优化。该模型通过以下技术实现高效文档解析与理解：

1. 自动化数据引擎：通过专家共识、渲染验证和目标合成技术，构建了一个包含约1.7亿样本的OCR专用语料库。这种方法不仅提高了数据的多样性和质量，还降低了人工标注成本。

2. Q-Mask文本锚定：通过掩码机制对文本进行锚定，确保模型在处理复杂文档时能够准确识别和解析文本内容。

3. 持续预训练与混合任务强化学习（Mix-RL）：在预训练的基础上，模型通过Mix-RL技术进行进一步训练，以提升其在多任务环境下的适应性和性能。

工程权衡与实测表现

• 优势：Xiaomi-OCR-0在多个基准测试中表现出色，尤其是在文档解析和OCR理解任务中。其轻量级架构使其在资源受限的环境中也能高效运行。

• 劣势：尽管模型在OCR任务中表现优异，但在处理极端复杂或非标准文档时，可能仍需进一步优化。此外，自动化数据引擎生成的数据质量可能影响模型性能，需要持续监控和调整。

开发者落地与部署建议

1. 资源需求：由于模型规模较小（0.8B参数），开发者可以在多种硬件环境中部署，包括笔记本电脑、工作站甚至边缘设备。

2. 训练与微调：建议开发者根据具体应用场景对模型进行微调，以提升其在特定任务中的表现。

3. 数据质量控制：在使用自动化数据引擎生成的数据时，应注意数据质量控制，确保模型训练数据的准确性和多样性。

结论

Xiaomi-OCR-0的发布标志着小米在OCR和文档解析领域的重大进展。其统一架构和高效性能使其成为OCR任务中的有力工具，尤其适用于资源受限的应用场景。

---

消息来源：Hugging Face Trending Papers (2026-09-28)

—— 完 ——

主题标签： #Xiaomi 关注 #OCR 关注 #文档解析 关注 #大模型 关注 #强化学习 关注