结论：小米在 2026 年 10 月 30 日开源轻量级文档理解模型 Xiaomi-OCR-0，参数仅 0.8B，却在 Real5-OmniDocBench 真实场景基准拿到 95.24 分、位列第一，越级超过多个更大模型。

关键数字：参数 0.8B / 训练样本约 1.7 亿条 / OmniDocBench v1.6 得分 96.83。

模型	参数规模	五项 OCR-VQA 平均分
Xiaomi-OCR-0	0.8B	83.2
TextHawk2	7B	78.5
MiniCPM-V-4.5	8B	82.6
Qwen3.5-4B	4B	84.9

0.8B 凭什么压过 7B

Xiaomi-OCR-0 把文档解析、关键信息抽取与 OCR 视觉问答三类任务统一在一个模型里。基于 Qwen3.5-0.8B-Base 构建，训练累计使用约 1.7 亿条样本，靠异构专家共识与”预测—重渲染—视觉比对”闭环校验提升标注质量。

专项表现：数学公式识别 UniMER-Test 97.84 分，表格结构 PubTabNet 92.27 分，古籍书法 Chronicles-OCR 73 分，与闭源模型 Seed 2.0 Pro 的 72 分持平；OmniDocBench v1.6 综合 96.83 分，位列总榜第二、1B 以下第一。

它具体能干什么

文档解析可识别正文、表格与公式，按阅读顺序输出 Markdown、LaTeX。关键信息抽取面向发票、卡证、表单，输出 JSON 结构化数据，可接入自动化流程。

OCR 视觉问答支持跨区域检索、数值计算与语义推理，而非单纯文字转写。落地到小米手机”超级小爱”：短按 AI 键或三指上滑，可提取外卖取餐码、快递取件码并置顶显示。

怎么用上这个模型

小米已把模型权重与推理代码上线 Hugging Face 与 GitHub，并附浏览器交互式 Demo、MCP 服务与 Agent Skill 工具包，开发者可集成到自有业务流或智能体系统。

账单与卡证场景中，识屏可抽取交易金额、商户名称、支付时间与消费类别用于智能记账；纸质发票、身份证、银行卡拍照即可完成字段提取，告别手动录入。

所以呢

Xiaomi-OCR-0 用 0.8B 体量做到接近 4B 模型的理解水平，适合端侧与轻量部署。对需要高精度文档结构还原、又受算力或成本约束的团队，它比动辄数十亿参数的通用多模态模型更务实。

常见问题

普通人能用上吗？

能。相关能力已内置在小米手机”超级小爱”，短按 AI 键、三指上滑或语音指令即可调用，无需自行部署模型。

和通用多模态大模型比强在哪？

专用 OCR 任务上更高效。0.8B 在五项 OCR-VQA 平均 83.2 分，超过 7B 的 TextHawk2（78.5）与 8B 的 MiniCPM-V-4.5（82.6），且端侧可跑、成本低。

开源了哪些东西？

完整公开 0.8B 权重与推理代码，外加浏览器 Demo、MCP 服务与 Agent Skill 工具包，方便开发者二次集成与评测。

信息来源：IT之家 2026-10-30 报道，交叉核对小米官方 GitHub、Hugging Face、网易、腾讯新闻及 Xiaomi-OCR-0 技术报告。