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

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。

法国人工智能公司 Mistral 于 7 月发布 OCR 4.1 公开预览版，把文档识别从单纯的「文字提取」推进到「结构化理解」。新模型最大的变化，是能够输出段落级的边界框（Bounding Box）、结构化区块标签，以及区块级的置信度评分，让企业在把纸质或扫描文档喂给检索增强生成（RAG）系统之前，先对提取质量做更细的把控。

不只是识别文字

传统 OCR 只关心「图里是什么字」，而 OCR 4.1 试图理解文档的结构。它借助计算机视觉处理复杂排版、手写体以及数学公式，把图像和 PDF 中的文本、公式与表格布局，以较高的精度转换为结构化的 Markdown 格式。对于 RAG 管线而言，这意味着预处理步骤可以被压缩成一次 API 调用。

Mistral 在官方文档中介绍，OCR 4.1 的 API 新增了「block」级别的置信度粒度选项：除了原有的「page」（页面级）与「word」（词级）之外，开发者现在可以拿到页面级与区块级两套评分，从而判断某一段落、某张表格的提取是否可靠，再决定是自动入库还是转人工复核。

对手与定位

在企业文档智能领域，Mistral 的对手包括亚马逊的 Textract 与谷歌云的 Document AI。前者能提取文本、手写、表格与表单，后者则将 OCR 与版式分析、分类、结构化提取结合。相比这些背靠大型云生态的平台，Mistral 选择了一条更聚焦的路线：用一个连接自有模型、Studio 工具链与企业 AI 栈的专用文档模型切入。

不过价格引发了讨论。OCR 4.1 定价约为每千页 3.5 欧元（约合 4.38 美元），有开发者指出这比部分竞品贵出近一倍。但在处理历史文献、复杂版式时的稳定性，以及在合规与数据主权方面支持开放权重、可本地私有化部署的特性，让它成为文档 AI 赛道一个值得关注的变量。

为什么重要

文档摄取是智能体（agent）落地企业场景的关键入口。一个模型即便推理能力很强，只要把表格压平错了、把页脚误认成正文，或者把低置信度的数字直接写进检索索引，最终输出仍可能出错。OCR 4.1 把改进点放在「喂给搜索、智能体与自动化决策的那条文档管道」内部，用段落级输出与置信度评分，给开发者更细的检视、路由与索引能力。在头部大模型比拼通用能力的当下，押注细分工具模型，也是欧洲 AI 避开正面战场的一种务实选择。

来源：Mistral 官方文档与多家科技媒体综合整理

而按下 PrtScn（Print Screen）键弹出的那个”截图工具”，多数人只当它是个截图小玩意儿。实际上，这个取代了旧版 Snipping Tool 与 Snip & Sketch 的应用，被微软陆续加进了录屏、屏幕取字和以图搜图等能力，基本可以顶替上述几类第三方软件。How-To Geek 撰稿人 Sydney Butler 梳理了其中最实用的几项。

一、不装任何软件直接录屏

1. 打开”截图工具”（可按 PrtScn 键唤出，或从开始菜单搜索）。
2. 在工具栏上点击摄像机图标，把模式从”截图”切换到”录制”。
3. 拖动鼠标框选需要录制的屏幕区域。
4. 点击”开始”，操作完成后结束录制即可。

这项功能适合快速录制屏幕上正在发生的短片段，比如给同事演示某个操作步骤。但它不适合替代专业工具：如果要录制游戏画面，仍然建议使用 OBS 或显卡自带的录制软件。

二、屏幕上的任何文字都能抠出来

截图工具的”文本操作”（Text Actions）相当于一个随叫随到的 OCR。

1. 打开截图工具，观察顶部工具栏。取色器（吸管形状，用于读取屏幕上任意位置的准确颜色值）图标右侧，有一个”文字外套着取景框”的图标。
2. 点击该图标后框选区域，区域内的文字会被识别为可直接复制的纯文本。
3. 复制后粘贴到文档、聊天窗口或任何需要的地方。

典型场景是阅读扫描件转成的 PDF 时，需要引用其中一段话。过去遇到无法选中的文字，多数人会选择手动重打一遍，累积起来相当耗时。

三、框选画面直接以图搜图

手机上的”框选搜索”类功能，Windows 截图工具里也有对应版本。

1. 先框选屏幕上要查询的部分。
2. 点击界面中的”使用 Bing 进行视觉搜索”按钮。
3. 搜索结果会在系统默认浏览器中打开——这里有个值得一提的细节：它不会强制跳转到 Edge，而是尊重用户设置的默认浏览器。

四、标注也别再切换软件

截图完成后，添加画笔、荧光笔、裁剪等标注可以直接在截图工具内完成，随后保存图片或从应用界面直接分享出去。它的标注功能只有专业图像工具的一小部分，但对大多数日常需求已经够用。

注意事项

上述功能取决于系统与应用版本，较老的 Windows 版本未必具备，可在 Microsoft Store 中检查截图工具是否为最新版。另外，这些功能在专业软件中都能找到更强、更深入的版本——经常需要批量截图、复杂标注或高质量录屏的用户，ShareX 一类的工具仍有存在价值。截图工具真正的优势在于”一个快捷键就能调出来”，省去了另开一个应用的麻烦。

来源：How-To Geek