理应资讯
软件研发智能化

小米开源 Xiaomi-OCR-0:0.8B 文档理解模型并附 MCP 与 Skill

理应编辑室 ·

小米相关仓库开源 Xiaomi-OCR-0:基于 Qwen3.5-0.8B 的文档向多模态模型,可端到端输出带公式/表格的 Markdown,支持票据合同结构化抽取与文档视觉问答,并提供 MCP 与 Agent Skill。

面向「把扫描件真正读进智能体」的需求,Xiaomi-OCR-0 以开源形式出现:这不是传统检测+识别流水线,而是约 0.8B 参数的文档向视觉语言模型。

据项目说明,模型从 Qwen3.5-0.8B 出发,在约 1.7 亿量级 OCR 相关语料上继续预训练与混合任务强化学习。能力包括:整页解析为带 LaTeX 公式与复杂表格的 Markdown;按提示做票据/合同等 KIE 结构化 JSON;以及针对图中文字的 OCR-VQA。工程侧附带 MCP 服务 与 Agent Skill,方便接到编码智能体或自动化流程。

社区讨论常把它与 PaddleOCR 对比:前者更偏「读懂版面与字段」,后者仍强在高速扫字与边缘定位。仓库可见于 GitHub(xiaomi-research/Xiaomi-OCR-0),权重与演示亦有 Hugging Face 入口;是否已有官方 ONNX 需以仓库为准,本地可用 GGUF/Ollama 路线。选型时仍应在自有版式集上评测。

对读者而言,可先核对手头场景是否匹配,再决定是否跟进官方文档或仓库;本稿只整理已公开事实,不替代产品手册,也不对未披露指标做外推。

对读者而言,可先核对手头场景是否匹配,再决定是否跟进官方文档或仓库;本稿只整理已公开事实,不替代产品手册,也不对未披露指标做外推。

# Xiaomi-OCR-0# OCR# VLM# MCP# 开源