Was ist Xiaomi-OCR-0?
Xiaomi-OCR-0 ist ein offenes Modell zur Dokumenterkennung von Xiaomis Forschungsgruppe, veröffentlicht mit einem technischen Bericht am 30. September 2026 unter der Lizenz Apache 2.0. Es ist eine Feinabstimmung von Qwen3.5-0.8B-Base, und der einzelne Checkpoint mit 1,75 GB übernimmt drei Aufgaben: eine Seite in Markdown umwandeln, mit Tabellen in OTSL und Formeln in LaTeX, Fragen zu einem Dokument beantworten und Felder in ein JSON-Schema extrahieren, das du vorgibst.
Xiaomi trainierte es auf etwa 170 Millionen Beispielen. Die meisten Parsing-Labels stammten aus einem Pool anderer OCR-Modelle, darunter PaddleOCR-VL-1.6, MinerU2.5-Pro, GLM-OCR, TeleOCR und OvisOCR2. Behalten wurden sie, wo drei davon übereinstimmten, und wo nicht, wurde die Antwort durch Zurückrendern in ein Bild erneut geprüft. Eine letzte Stufe mit Reinforcement Learning mischt Belohnungen für Parsing und für das Beantworten von Fragen.
Die wichtigsten Parsing-Werte nutzen einen zweistufigen Aufbau: PP-DocLayoutV3 aus PaddleX findet die Bereiche, und Xiaomi-OCR-0 liest jeden Ausschnitt. Die Model Card bietet Code für Transformers, und das GitHub-Repository ergänzt Anleitungen für vLLM und SGLang, Batch-Skripte, einen MCP-Dienst und eine Browser-Demo.
Lohnt sich Xiaomi-OCR-0?
Xiaomi-OCR-0 gehört zu den genauesten offenen OCR-Modellen unter 1B Parametern und kann mehr als transkribieren. Auf OmniDocBench v1.6 meldet Xiaomi insgesamt 96,83, gegenüber 96,87 für TeleOCR mit 1.2B, 96,58 für OvisOCR2 und 96,33 für PaddleOCR-VL-1.6. Es erreicht außerdem 97,84 auf UniMER-Test für Formeln und 92,27 auf PubTabNet für Tabellen. Das sind Xiaomis eigene Läufe, die aber nah an den Werten liegen, die andere Labore für dieselben Konkurrenten veröffentlichen.
Die Angabe zu Real5-OmniDocBench steht auf wackligeren Füßen. Xiaomi meldet 95,24 und spricht von Platz eins; als OpenBMB Xiaomi-OCR-0 für die Starttabelle von MiniCPM-OCR durch sein eigenes Harness schickte, kam es auf 92,73, hinter den 93,19 von PaddleOCR-VL-1.6 in derselben Tabelle. Beide Labore geben PaddleOCR-VL-1.6 dieselben 93,19, der Unterschied liegt also darin, wie Xiaomis Modell ausgeführt wurde, nicht in der Benchmark-Version. Auf Wild-OmniDocBench widersprechen sich die beiden Tabellen bei jedem Modell, dort entscheidet keiner der Werte viel.
Das breitere Können ist das bessere Argument. Über DocVQA, InfoVQA, ChartQA, OCRBench und TextVQA erreicht es im Schnitt 83,2, über den 80,9 von Qwen3.5-2B und 10,3 Punkte über dem Qwen3.5-0.8B, von dem es ausging, und derselbe Checkpoint füllt ein JSON-Schema aus einem Beleg oder Formular. Xiaomis eigene Ablation zeigt die Grenze: Ein auf dieselbe Weise trainiertes 4B-Modell erreicht bei diesen Tests zum Beantworten von Fragen 88,1, die kleine Größe kostet beim Verstehen also etwa fünf Punkte und beim Parsen fast nichts.
Die Geschwindigkeit ist mittelmäßig. In OpenBMBs Durchsatztest auf einer RTX 5090 schaffte Xiaomi-OCR-0 0,724 Seiten pro Sekunde, gegenüber 1,217 für MiniCPM-OCR 1.0 und 0,818 für PaddleOCR-VL-1.6. Xiaomi veröffentlicht keine eigenen Geschwindigkeitswerte. Die Gewichte sind klein genug für einen Laptop, aber das Ollama-Paket mit 1,8 GB und die GGUF-Builds sind Community-Arbeit, die Xiaomi nach eigener Aussage nicht evaluiert hat; Xiaomis eigene Prüfung mit Ollama stimmte bei 5 von 7 Seiten mit der Referenzausgabe überein.
Wo es sich lohnt
Ein Backoffice-Entwickler in einer Steuerkanzlei mit 40 Mitarbeitern
Daten, Summen und Steuernummern aus gescannten Belegen in eine Datenbank übernehmen
Schicke jedes Bild mit dem Prompt 'Extract key information in the image' und einem JSON-Schema der gewünschten Felder; das Belegbeispiel der Model Card liefert Datum, Verkäufer, GST-ID, Summe und Steuer. Prüfe Summen vor dem Import, denn die Ausgabe ist generierter Text, kein geparstes Formular.
Ein ML-Engineer bei einem Wissenschaftsverlag, der Archiv-PDFs umwandelt
Seiten voller Gleichungen und Tabellen in Markdown und LaTeX umwandeln
Lass die zweistufige Pipeline aus dem GitHub-Repository mit PP-DocLayoutV3 bei der Schwelle 0.25 laufen, die Xiaomi nutzte; das reproduziert den Aufbau hinter 97,84 auf UniMER und 92,27 auf PubTabNet. Für Handschrift, Kalligrafie und unregelmäßige Layouts empfiehlt Xiaomi stattdessen den Ganzseitenmodus.
Eine Entwicklerin, die einen lokalen Dokumentassistenten auf einem Laptop mit 16 GB baut
Fragen zu Rechnungen und Diagrammen ohne Cloud-API beantworten
Lade das BF16-Paket der Community für Ollama (etwa 1,8 GB) und nutze den MCP-Dienst aus dem Repository, der Xiaomis Einstellungen für Vorverarbeitung und Dekodieren anwendet. Betrachte die Genauigkeit als ungeprüft: Xiaomi erreichte in Ollama nur bei 5 von 7 Testseiten die Referenzausgabe.
Bevor du dich festlegst
- Einrichtung
- Den festgelegten Stack installieren (transformers 5.17.0, torch 2.14.0) und mit AutoModelForImageTextToText laden; trust_remote_code ist nicht nötig. Der Bereichsmodus und der Benchmark-Aufbau brauchen zusätzlich PaddlePaddle, PaddleX und PP-DocLayoutV3.
- Integrationen
- Versionen von Transformers, vLLM und SGLang, die Qwen3_5ForConditionalGeneration unterstützen; ein MCP-Dienst, eine Browser-Demo und ein Agent Skill im GitHub-Repository; GGUF der Community für llama.cpp und ein BF16-Build für NInfer; Gewichte auf ModelScope gespiegelt.
- Daten und Datenschutz
- Apache 2.0 ohne Nutzungsbeschränkungen. Nur selbst gehostet, Dokumente bleiben also auf deiner Hardware; die Trainingslabels wurden größtenteils von anderen offenen OCR-Modellen erzeugt.
- Kosten im großen Maßstab
- Der Checkpoint ist 1,75 GB groß und läuft auf einer Consumer-GPU. OpenBMB maß 0,724 Seiten pro Sekunde auf einer RTX 5090 bei Parallelität 1, eine einzelne Karte schafft also vor Batching rund 2.600 Seiten pro Stunde; Xiaomi veröffentlicht keine Durchsatzwerte.
- Grenzen
- Die Konfiguration erlaubt 262.144 Positionen; der Beispielcode begrenzt die Ausgabe auf 4.096 neue Tokens pro Seite. Der Bereichsmodus kann bei Szenentext, Handschrift und historischen Büchern Kontext verlieren, und Quantisierungen der Community hat Xiaomi nicht getestet.
Was gut ist
- 96,83 auf OmniDocBench v1.6 mit 0.8B (selbst gemeldet)
- Parsing, Fragen zu Dokumenten und Extraktion von JSON-Feldern in einem Checkpoint
- Im Schnitt 83,2 auf fünf Benchmarks für Fragen zu Dokumenten, über Qwen3.5-2B
- Apache 2.0; Checkpoint mit 1,75 GB
Was nicht
- OpenBMB maß auf Real5-OmniDocBench 92,73, nicht Xiaomis 95,24
- In OpenBMBs Test langsamer als MiniCPM-OCR 1.0 und PaddleOCR-VL-1.6
- Die wichtigsten Parsing-Werte brauchen das separate Layoutmodell PP-DocLayoutV3
- GGUF- und Ollama-Builds stammen von der Community und sind nicht validiert
Am besten für
Teams, die ein kleines Modell unter Apache-Lizenz sowohl für die Umwandlung von Seiten in Markdown als auch für die Feldextraktion aus Formularen und Belegen wollen.
Alternativen zu Xiaomi-OCR-0
Xiaomi-OCR-0: häufige Fragen
- Lohnt sich Xiaomi-OCR-0?
- Xiaomi-OCR-0 liest eine Seite etwa so gut wie anderthalbmal so große Modelle, doch seinen besten Hauptwert konnte ein konkurrierendes Labor nicht reproduzieren. Wir bewerten es mit 4.1 von 5.
- Was kostet Xiaomi-OCR-0?
- Kostenlos unter Apache 2.0. Keine gehostete API von Xiaomi.
- Welche Nachteile hat Xiaomi-OCR-0?
- OpenBMB maß auf Real5-OmniDocBench 92,73, nicht Xiaomis 95,24; In OpenBMBs Test langsamer als MiniCPM-OCR 1.0 und PaddleOCR-VL-1.6; Die wichtigsten Parsing-Werte brauchen das separate Layoutmodell PP-DocLayoutV3; GGUF- und Ollama-Builds stammen von der Community und sind nicht validiert.
- Für wen eignet sich Xiaomi-OCR-0?
- Teams, die ein kleines Modell unter Apache-Lizenz sowohl für die Umwandlung von Seiten in Markdown als auch für die Feldextraktion aus Formularen und Belegen wollen.
- Was kostet Xiaomi-OCR-0 für ein Team oder im Produktivbetrieb?
- Der Checkpoint ist 1,75 GB groß und läuft auf einer Consumer-GPU. OpenBMB maß 0,724 Seiten pro Sekunde auf einer RTX 5090 bei Parallelität 1, eine einzelne Karte schafft also vor Batching rund 2.600 Seiten pro Stunde; Xiaomi veröffentlicht keine Durchsatzwerte.
- Ist Xiaomi-OCR-0 sicher für Firmendaten?
- Apache 2.0 ohne Nutzungsbeschränkungen. Nur selbst gehostet, Dokumente bleiben also auf deiner Hardware; die Trainingslabels wurden größtenteils von anderen offenen OCR-Modellen erzeugt.
- Was sind die besten Alternativen zu Xiaomi-OCR-0?
- Die nächsten Alternativen, die wir getestet haben, sind MiniCPM-OCR 1.0, PaddleOCR-VL-1.6, Surya OCR 2.5 und Unlimited-OCR 2.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst Xiaomi-OCR-0? Zeig diese Bewertung auf deiner Website
