Xiaomi выпустила компактную OCR-модель на 0,8 млрд параметров

Xiaomi представила OCR-0 — компактную модель для работы с документами. Она распознаёт текст на страницах, извлекает заданные поля, отвечает на вопросы по содержанию и сохраняет структуру исходного документа.

‹›

Модель содержит 0,8 млрд параметров и умеет обрабатывать не только обычный текст, но и таблицы, математические формулы и документы со сложной разметкой. Результат можно получить в формате Markdown, а формулы модель экспортирует в LaTeX. Для структурированного извлечения данных предусмотрена поддержка JSON-схем.

Разработчики также заявляют о сохранении порядка чтения на страницах. Это позволяет использовать OCR-0 для документов, где важна последовательность блоков текста, таблиц и других элементов, а не только посимвольное распознавание.

Обучение на 170 млн примеров

В основе OCR-0 лежит Qwen3.5–0.8B-Base. Xiaomi дообучила эту модель на корпусе из 170 млн примеров. В набор вошли целые страницы, отдельные фрагменты документов и задания, связанные с пониманием текста.

После предварительного обучения команда использовала обучение с подкреплением на сложных примерах. Такой этап должен был улучшить работу модели с нестандартной структурой документов и задачами, которые требуют не только распознать содержимое, но и правильно интерпретировать его.

Результаты тестирования и доступность

В бенчмарках Real5-OmniDocBench и OmniDocBench v1.6 OCR-0 получила 95,24 и 96,83 балла соответственно. Средний результат по пяти тестам составил 83,2 балла. Для сравнения, более крупная модель Qwen3.5–2B набрала в среднем 80,9 балла.

Код и веса OCR-0 опубликованы по лицензии Apache 2.0. В репозитории доступны инструменты для локального запуска, MCP-сервер и специальный скилл для подключения модели к ИИ-агентам. Для знакомства с возможностями без установки предусмотрено интерактивное демо на Hugging Face.