Xiaomi-OCR-0とは？
Xiaomi-OCR-0は、Xiaomiの研究グループによるオープンな文書認識のモデルで、2026年9月30日に技術レポートとともにApache 2.0ライセンスで公開されました。Qwen3.5-0.8B-Baseのファインチューニング版で、1.75 GBの1つのチェックポイントで3つの仕事をこなします。表をOTSL、数式をLaTeXにしてページをMarkdownに変換すること、文書についての質問に答えること、与えたJSONスキーマに項目を抽出することです。
Xiaomiは約1億7,000万（170 million）件のサンプルで学習させました。解析のラベルのほとんどは、PaddleOCR-VL-1.6、MinerU2.5-Pro、GLM-OCR、TeleOCR、OvisOCR2を含むほかのOCRモデルの集まりから得たもので、そのうち3つが一致したものを残し、一致しなかったものは答えを画像にレンダリングし直して再確認しました。最後の強化学習の段階では、解析と質問応答の報酬を混ぜています。
見出しの解析のスコアは2段階の構成によるものです。PaddleXのPP-DocLayoutV3が領域を見つけ、Xiaomi-OCR-0が切り抜いた各領域を読みます。モデルカードにはTransformersのコードがあり、GitHubのリポジトリにはvLLMとSGLangの手順、バッチ処理のスクリプト、MCPのサービス、ブラウザのデモが加わっています。
Xiaomi-OCR-0は使う価値があるか？
Xiaomi-OCR-0は、1B未満のパラメータのオープンなOCRモデルの中で最も正確なものの一つで、書き起こし以上のことをこなします。XiaomiはOmniDocBench v1.6で全体96.83と報告しており、1.2BのTeleOCRは96.87、OvisOCR2は96.58、PaddleOCR-VL-1.6は96.33です。数式のUniMER-Testでは97.84、表のPubTabNetでは92.27です。これらはXiaomi自身の実行によるものですが、同じ競合についてほかの研究所が公開している数字に近いものです。
Real5-OmniDocBenchの主張はより不確かです。Xiaomiは95.24と報告して首位としていますが、OpenBMBがMiniCPM-OCRの公開時の表のために自社の評価環境でXiaomi-OCR-0を実行したところ92.73で、同じ表のPaddleOCR-VL-1.6の93.19を下回りました。両方の研究所がPaddleOCR-VL-1.6に同じ93.19を付けているので、差があるのはベンチマークの版ではなく、Xiaomiのモデルの動かし方です。Wild-OmniDocBenchでは2つの表がすべてのモデルで食い違っているので、そこではどちらの数字もあまり決め手になりません。
より良い論拠は幅広い能力です。DocVQA、InfoVQA、ChartQA、OCRBench、TextVQAの平均は83.2で、Qwen3.5-2Bの80.9を上回り、出発点のQwen3.5-0.8Bより10.3ポイント高く、同じチェックポイントでレシートやフォームからJSONスキーマを埋めます。Xiaomi自身のアブレーションが限界を示しています。同じ方法で学習させた4Bのモデルはそれらの質問応答のテストで88.1なので、小さな大きさは解析ではほとんど何も失わない一方、理解では約5ポイントを失っています。
速さは中程度です。OpenBMBがRTX 5090で行ったスループットのテストでは、Xiaomi-OCR-0は毎秒0.724ページで、MiniCPM-OCR 1.0は1.217、PaddleOCR-VL-1.6は0.818でした。Xiaomiは自社の速度の数字を公開していません。重みはノートパソコンに収まる小ささですが、1.8 GBのOllamaのパッケージとGGUFのビルドはコミュニティによるもので、Xiaomiは評価していないとしています。Xiaomi自身のOllamaでの確認では、7ページのうち5ページで参照の出力と一致しました。
真価を発揮する場面
従業員40人の会計事務所のバックオフィスの開発者
スキャンしたレシートから日付、合計、税の登録番号をデータベースに取り出す
各画像を'Extract key information in the image'のプロンプトと、必要な項目のJSONスキーマとともに送ります。モデルカードのレシートの例では、日付、売り手、GSTの登録番号、合計、税が返ります。出力はパースしたフォームではなく生成されたテキストなので、取り込む前に合計を検証してください。
アーカイブのPDFを変換する科学系出版社のMLエンジニア
数式と表の多いページをMarkdownとLaTeXにする
GitHubのリポジトリにある2段階のパイプラインを、Xiaomiが使った0.25のしきい値でPP-DocLayoutV3とともに実行します。これでUniMERの97.84とPubTabNetの92.27の構成を再現できます。手書き、書道、不規則なレイアウトには、Xiaomiは代わりにペ ージ全体のモードを勧めています。
16 GBのノートパソコンでローカルの文書アシスタントを作る開発者
クラウドのAPIなしに、請求書やグラフについての質問に答える
コミュニティによるBF16のOllamaのパッケージ（約1.8 GB）を取得し、Xiaomiの前処理とデコードの設定を適用するリポジトリのMCPのサービスを使います。精度は未検証と考えてください。XiaomiがOllamaで参照の出力と一致させられたのは、テストの7ページのうち5ページだけでした。
導入前に確認すること
- 導入
- バージョンを固定した構成（transformers 5.17.0、torch 2.14.0）をインストールし、AutoModelForImageTextToTextで読み込みます。trust_remote_codeは不要です。領域のモードとベンチマークの構成には、PaddlePaddle、PaddleX、PP-DocLayoutV3も必要です。
- 連携
- Qwen3_5ForConditionalGenerationに対応したTransformers、vLLM、SGLangのリリース。GitHubのリポジトリにあるMCPのサービス、ブラウザのデモ、エージェント用のスキル。コミュニティによるllama.cpp向けのGGUFとNInferのBF16のビルド。重みはModelScopeにもミラーされています。
- データとプライバシー
- 利用の制限のないApache 2.0です。セルフホストのみなので、文書は自分のハードウェアにとどまります。学習のラベルの大部分はほかのオープンなOCRモデルが作ったものです。
- 大規模利用時のコスト
- チェックポイントは1.75 GBで、一般向けのGPU 1枚で動きます。OpenBMBはRTX 5090で同時実行数1のとき毎秒0.724ページと測定しており、バッチ処理なしでカード1枚が1時間に約2,600ページをまかないます。Xiaomiはスループットの数字を公開していません。
- 制限
- 設定では262,144の位置まで使えます。サンプルコードは1ページあたり新規4,096トークンまでに出力を制限しています。領域のモードでは、風景の中の文字、手書き、古い書籍で文脈が失われることがあり、コミュニティによる量子化版はXiaomiがテストしていません。
良い点
- 0.8BでOmniDocBench v1.6が96.83（自己申告）
- 解析、文書への質問応答、JSONの項目抽出を1つのチェックポイントで
- 文書の質問応答の5つのベンチマークで平均83.2、Qwen3.5-2Bを上回る
- Apache 2.0、チェックポイントは1.75 GB
気になる点
- OpenBMBの測定ではReal5-OmniDocBenchは92.73で、Xiaomiの95.24ではない
- OpenBMBのテストではMiniCPM-OCR 1.0とPaddleOCR-VL-1.6より遅い
- 見出しの解析のスコアには別のレイアウトモデルPP-DocLayoutV3が必要
- GGUFとOllamaのビルドはコミュニティ製で、検証されていない
おすすめの人
ページからMarkdownへの解析と、フォームやレシートからの項目抽出の両方を、1つの小さなApacheライセンスのモデルでまかないたいチーム。
Xiaomi-OCR-0の代替
Xiaomi-OCR-0：よくある質問
- Xiaomi-OCR-0は使う価値があるか？
- Xiaomi-OCR-0は、1.5倍の大きさのモデルとほぼ同じくらいうまくページを読みます。しかし最も良い見出しの数字は、競合の研究所が再現できなかったものです。 評価は5点満点中4.1点です。
- Xiaomi-OCR-0の料金は？
- Apache 2.0で無料。Xiaomiによるホスト版のAPIはありません。
- Xiaomi-OCR-0の欠点は？
- OpenBMBの測定ではReal5-OmniDocBenchは92.73で、Xiaomiの95.24ではない; OpenBMBのテストではMiniCPM-OCR 1.0とPaddleOCR-VL-1.6より遅い; 見出しの解析のスコアには別のレイアウトモデルPP-DocLayoutV3が必要; GGUFとOllamaのビルドはコミュニティ製で、検証されていない.
- Xiaomi-OCR-0は誰に向いているか？
- ページからMarkdownへの解析と、フォームやレシートからの項目抽出の両方を、1つの小さなApacheライセンスのモデルでまかないたいチーム。
- チームや本番環境でXiaomi-OCR-0を使うと費用はいくらか？
- チェックポイントは1.75 GBで、一般向けのGPU 1枚で動きます。OpenBMBはRTX 5090で同時実行数1のとき毎秒0.724ページと測定しており、バッチ処理なしでカード1枚が1時間に約2,600ページをまかないます。Xiaomiはスループットの数字を公開していません。
- Xiaomi-OCR-0は企業データを扱っても安全か？
- 利用の制限のないApache 2.0です。セルフホストのみなので、文書は自分のハードウェアにとどまります。学習のラベルの大部分はほかのオープンなOCRモデルが作ったものです。
- Xiaomi-OCR-0の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はMiniCPM-OCR 1.0, PaddleOCR-VL-1.6, Surya OCR 2.5 、 Unlimited-OCR 2です。
回答確認日：2026年11月2日
Xiaomi-OCR-0の開発元の方へ：この評価をサイトに掲載できます
