¿Qué es Xiaomi-OCR-0?
Xiaomi-OCR-0 es un modelo abierto de reconocimiento de documentos del grupo de investigación de Xiaomi, publicado con un informe técnico el 30 de septiembre de 2026 con licencia Apache 2.0. Es un ajuste fino de Qwen3.5-0.8B-Base, y un único checkpoint de 1,75 GB se ocupa de tres tareas: convertir una página a Markdown con las tablas en OTSL y las fórmulas en LaTeX, responder preguntas sobre un documento y extraer campos a un esquema JSON que tú proporcionas.
Xiaomi lo entrenó con unos 170 millones de muestras. La mayoría de las etiquetas de análisis salieron de un conjunto de otros modelos de OCR, entre ellos PaddleOCR-VL-1.6, MinerU2.5-Pro, GLM-OCR, TeleOCR y OvisOCR2, conservadas cuando tres de ellos coincidían y vueltas a comprobar renderizando la respuesta a imagen cuando no. Una fase final de aprendizaje por refuerzo combina recompensas de análisis y de respuesta a preguntas.
Las puntuaciones principales de análisis usan una configuración en dos fases: PP-DocLayoutV3 de PaddleX encuentra las regiones y Xiaomi-OCR-0 lee cada recorte. La ficha del modelo ofrece código de Transformers, y el repositorio de GitHub añade instrucciones para vLLM y SGLang, scripts de lotes, un servicio MCP y una demo en el navegador.
¿Merece la pena Xiaomi-OCR-0?
Xiaomi-OCR-0 está entre los modelos de OCR abiertos más precisos por debajo de 1B de parámetros, y hace algo más que transcribir. En OmniDocBench v1.6, Xiaomi comunica 96,83 en total, frente a 96,87 de TeleOCR con 1,2B, 96,58 de OvisOCR2 y 96,33 de PaddleOCR-VL-1.6. También obtiene 97,84 en UniMER-Test en fórmulas y 92,27 en PubTabNet en tablas. Son pruebas de Xiaomi, aunque se acercan a las cifras que otros laboratorios publican para los mismos rivales.
La afirmación sobre Real5-OmniDocBench es más dudosa. Xiaomi comunica 95,24 y lo llama primer puesto; cuando OpenBMB ejecutó Xiaomi-OCR-0 con su propio entorno de evaluación para la tabla de lanzamiento de MiniCPM-OCR, obtuvo 92,73, por detrás de los 93,19 de PaddleOCR-VL-1.6 en la misma tabla. Ambos laboratorios dan a PaddleOCR-VL-1.6 el mismo 93,19, así que la diferencia está en cómo se ejecutó el modelo de Xiaomi, no en la versión del benchmark. En Wild-OmniDocBench las dos tablas discrepan para todos los modelos, así que ninguna de las cifras resuelve mucho.
El conjunto más amplio de capacidades es el mejor argumento. En DocVQA, InfoVQA, ChartQA, OCRBench y TextVQA promedia 83,2, por encima del 80,9 de Qwen3.5-2B y 10,3 puntos por encima del Qwen3.5-0.8B del que partió, y el mismo checkpoint rellena un esquema JSON a partir de un ticket o un formulario. El propio estudio de ablación de Xiaomi muestra el límite: un modelo de 4B entrenado igual obtiene 88,1 en esas pruebas de preguntas, así que el tamaño pequeño cuesta unos cinco puntos en comprensión y casi nada en análisis.
La velocidad es mediana. En la prueba de rendimiento de OpenBMB en una RTX 5090, Xiaomi-OCR-0 logró 0,724 páginas por segundo frente a 1,217 de MiniCPM-OCR 1.0 y 0,818 de PaddleOCR-VL-1.6. Xiaomi no publica cifras de velocidad propias. Los pesos son lo bastante pequeños para un portátil, pero el paquete de Ollama de 1,8 GB y las versiones GGUF son trabajo de la comunidad que Xiaomi dice no haber evaluado; su propia comprobación con Ollama coincidió con la salida de referencia en 5 de 7 páginas.
Dónde se gana su sitio
Un desarrollador de administración en una asesoría contable de 40 personas
Llevar a una base de datos las fechas, los totales y los identificadores fiscales de tickets escaneados
Envía cada imagen con el prompt 'Extract key information in the image' y un esquema JSON de los campos que quieres; el ejemplo de ticket de la ficha devuelve fecha, vendedor, número de GST, total e impuestos. Valida los totales antes de importarlos, porque la salida es texto generado, no un formulario analizado.
Una ingeniera de ML en una editorial científica que convierte PDF de archivo
Convertir páginas llenas de ecuaciones y tablas a Markdown y LaTeX
Ejecuta la canalización en dos fases del repositorio de GitHub con PP-DocLayoutV3 al umbral de 0,25 que usó Xiaomi, lo que reproduce la configuración de 97,84 en UniMER y 92,27 en PubTabNet. Para escritura a mano, caligrafía y maquetaciones irregulares, Xiaomi aconseja en su lugar el modo de página completa.
Un desarrollador que crea un asistente de documentos local en un portátil de 16 GB
Responder preguntas sobre facturas y gráficos sin una API en la nube
Descarga el paquete BF16 de Ollama de la comunidad (unos 1,8 GB) y usa el servicio MCP del repositorio, que aplica los ajustes de preprocesado y decodificación de Xiaomi. Considera la precisión sin verificar: Xiaomi solo coincidió con su salida de referencia en 5 de 7 páginas de prueba en Ollama.
Antes de decidirte
- Puesta en marcha
- Instala las versiones fijadas (transformers 5.17.0, torch 2.14.0) y cárgalo con AutoModelForImageTextToText; no hace falta trust_remote_code. El modo por regiones y la configuración de los benchmarks también necesitan PaddlePaddle, PaddleX y PP-DocLayoutV3.
- Integraciones
- Versiones de Transformers, vLLM y SGLang compatibles con Qwen3_5ForConditionalGeneration; un servicio MCP, una demo en el navegador y una skill de agente en el repositorio de GitHub; GGUF de la comunidad para llama.cpp y una versión NInfer en BF16; pesos replicados en ModelScope.
- Datos y privacidad
- Apache 2.0 sin restricciones de uso. Solo autoalojado, así que los documentos se quedan en tu hardware; las etiquetas de entrenamiento las produjeron en gran parte otros modelos de OCR abiertos.
- Coste a escala
- El checkpoint ocupa 1,75 GB y funciona en una GPU de consumo. OpenBMB midió 0,724 páginas por segundo en una RTX 5090 con concurrencia 1, así que una sola tarjeta cubre unas 2.600 páginas por hora antes de procesar por lotes; Xiaomi no publica cifras de rendimiento.
- Límites
- La configuración admite 262.144 posiciones; el código de ejemplo limita la salida a 4.096 tokens nuevos por página. El modo por regiones puede perder contexto con texto en escenas, escritura a mano y libros históricos, y Xiaomi no ha probado las cuantizaciones de la comunidad.
Lo bueno
- 96,83 en OmniDocBench v1.6 con 0,8B (cifra propia)
- Análisis, preguntas sobre documentos y extracción de campos a JSON en un solo checkpoint
- Promedia 83,2 en cinco benchmarks de preguntas sobre documentos, por encima de Qwen3.5-2B
- Apache 2.0; checkpoint de 1,75 GB
Lo malo
- OpenBMB midió 92,73 en Real5-OmniDocBench, no los 95,24 de Xiaomi
- Más lento que MiniCPM-OCR 1.0 y PaddleOCR-VL-1.6 en la prueba de OpenBMB
- Las puntuaciones principales de análisis necesitan el modelo de maquetación PP-DocLayoutV3 aparte
- Las versiones GGUF y de Ollama son de la comunidad y no están validadas
Ideal para
Equipos que quieren un solo modelo pequeño con licencia Apache tanto para el análisis de página a Markdown como para la extracción de campos de formularios y tickets.
Alternativas a Xiaomi-OCR-0
Xiaomi-OCR-0: preguntas frecuentes
- ¿Merece la pena Xiaomi-OCR-0?
- Xiaomi-OCR-0 lee una página más o menos tan bien como modelos un 50% mayores, pero su cifra principal más llamativa es una que un laboratorio rival no pudo reproducir. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta Xiaomi-OCR-0?
- Gratuito con licencia Apache 2.0. Sin API alojada de Xiaomi.
- ¿Qué inconvenientes tiene Xiaomi-OCR-0?
- OpenBMB midió 92,73 en Real5-OmniDocBench, no los 95,24 de Xiaomi; más lento que MiniCPM-OCR 1.0 y PaddleOCR-VL-1.6 en la prueba de OpenBMB; las puntuaciones principales de análisis necesitan el modelo de maquetación PP-DocLayoutV3 aparte; las versiones GGUF y de Ollama son de la comunidad y no están validadas.
- ¿Para quién es Xiaomi-OCR-0?
- Equipos que quieren un solo modelo pequeño con licencia Apache tanto para el análisis de página a Markdown como para la extracción de campos de formularios y tickets.
- ¿Cuánto cuesta Xiaomi-OCR-0 para un equipo o en producción?
- El checkpoint ocupa 1,75 GB y funciona en una GPU de consumo. OpenBMB midió 0,724 páginas por segundo en una RTX 5090 con concurrencia 1, así que una sola tarjeta cubre unas 2.600 páginas por hora antes de procesar por lotes; Xiaomi no publica cifras de rendimiento.
- ¿Es Xiaomi-OCR-0 seguro para los datos de la empresa?
- Apache 2.0 sin restricciones de uso. Solo autoalojado, así que los documentos se quedan en tu hardware; las etiquetas de entrenamiento las produjeron en gran parte otros modelos de OCR abiertos.
- ¿Cuáles son las mejores alternativas a Xiaomi-OCR-0?
- Las alternativas más cercanas que hemos analizado son MiniCPM-OCR 1.0, PaddleOCR-VL-1.6, Surya OCR 2.5 y Unlimited-OCR 2.
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas Xiaomi-OCR-0? Muestra esta nota en tu web
