O que é Xiaomi-OCR-0?
O Xiaomi-OCR-0 é um modelo aberto de reconhecimento de documentos do grupo de pesquisa da Xiaomi, lançado com um relatório técnico em 30 de setembro de 2026 sob a licença Apache 2.0. É um fine-tune do Qwen3.5-0.8B-Base, e o único checkpoint de 1,75 GB cuida de três tarefas: converter uma página em Markdown com tabelas em OTSL e fórmulas em LaTeX, responder a perguntas sobre um documento e extrair campos para um esquema JSON fornecido por você.
A Xiaomi o treinou com cerca de 170 milhões de amostras. A maioria dos rótulos de parsing veio de um conjunto de outros modelos de OCR, entre eles PaddleOCR-VL-1.6, MinerU2.5-Pro, GLM-OCR, TeleOCR e OvisOCR2, mantidos quando três deles concordavam e reverificados renderizando a resposta de volta em imagem quando não concordavam. Uma etapa final de aprendizado por reforço mistura recompensas de parsing e de perguntas e respostas.
As pontuações de parsing de destaque usam uma configuração em duas etapas: o PP-DocLayoutV3 do PaddleX encontra as regiões e o Xiaomi-OCR-0 lê cada recorte. O card do modelo oferece código em Transformers, e o repositório no GitHub acrescenta instruções para vLLM e SGLang, scripts de lote, um serviço MCP e uma demonstração no navegador.
Xiaomi-OCR-0 vale a pena?
O Xiaomi-OCR-0 está entre os modelos de OCR abertos mais precisos abaixo de 1B de parâmetros, e faz mais do que transcrever. No OmniDocBench v1.6 a Xiaomi informa 96,83 no geral, contra 96,87 do TeleOCR de 1.2B, 96,58 do OvisOCR2 e 96,33 do PaddleOCR-VL-1.6. Ele também marca 97,84 no UniMER-Test em fórmulas e 92,27 no PubTabNet em tabelas. São execuç ões da própria Xiaomi, embora próximas dos números que outros laboratórios publicam para os mesmos rivais.
A alegação no Real5-OmniDocBench é mais frágil. A Xiaomi informa 95,24 e fala em primeiro lugar; quando a OpenBMB rodou o Xiaomi-OCR-0 no próprio harness para a tabela de lançamento do MiniCPM-OCR, ele marcou 92,73, atrás dos 93,19 do PaddleOCR-VL-1.6 na mesma tabela. Os dois laboratórios dão os mesmos 93,19 ao PaddleOCR-VL-1.6, então a diferença está em como o modelo da Xiaomi foi rodado, não na versão do benchmark. No Wild-OmniDocBench as duas tabelas divergem para todos os modelos, então nenhum dos números ali resolve muita coisa.
O conjunto mais amplo de habilidades é o melhor argumento. No DocVQA, InfoVQA, ChartQA, OCRBench e TextVQA ele tem média de 83,2, acima dos 80,9 do Qwen3.5-2B e 10,3 pontos acima do Qwen3.5-0.8B do qual partiu, e o mesmo checkpoint preenche um esquema JSON a partir de um recibo ou formulário. A ablação da própria Xiaomi mostra o limite: um modelo de 4B treinado da mesma forma marca 88,1 nesses testes de perguntas e respostas, então o tamanho pequeno custa cerca de cinco pontos em compreensão, enquanto quase não custa nada em parsing.
A velocidade é mediana. No teste de throughput da OpenBMB em uma RTX 5090, o Xiaomi-OCR-0 chegou a 0,724 página por segundo, contra 1,217 do MiniCPM-OCR 1.0 e 0,818 do PaddleOCR-VL-1.6. A Xiaomi não publica números de velocidade próprios. Os pesos são pequenos o bastante para um notebook, mas o pacote de 1,8 GB para Ollama e os builds em GGUF são trabalho comunitário que a Xiaomi diz não ter avaliado; a própria verificação dela no Ollama reproduziu a saída de referência em 5 de 7 páginas.
Onde ele se destaca
Um desenvolvedor de back-office em um escritório de contabilidade com 40 pessoas
Extrair datas, totais e números de registro fiscal de recibos digitalizados para um banco de dados
Envie cada imagem com o prompt 'Extract key information in the image' e um esquema JSON dos campos desejados; o exemplo de recibo do card devolve data, vendedor, GST ID, total e imposto. Valide os totais antes de importar, já que a saída é texto gerado, e não um formulário processado.
Um engenheiro de ML em uma editora científica convertendo PDFs do acervo
Transformar páginas cheias de equações e tabelas em Markdown e LaTeX
Rode o pipeline em duas etapas do repositório no GitHub com o PP-DocLayoutV3 no limite de 0,25 que a Xiaomi usou, o que reproduz a configuração dos 97,84 no UniMER e dos 92,27 no PubTabNet. Para manuscritos, caligrafia e layouts irregulares, a Xiaomi recomenda o modo de página inteira.
Um desenvolvedor construindo um assistente local de documentos em um notebook de 16 GB
Responder a perguntas sobre notas fiscais e gráficos sem uma API na nuvem
Baixe o pacote comunitário em BF16 para Ollama (cerca de 1,8 GB) e use o serviço MCP do repositório, que aplica as configurações de pré-processamento e decodificação da Xiaomi. Trate a precisão como não verificada: a Xiaomi reproduziu a saída de referência em apenas 5 de 7 páginas de teste no Ollama.
Antes de decidir
- Configuração
- Instale a stack com versões fixas (transformers 5.17.0, torch 2.14.0) e carregue com AutoModelForImageTextToText; não é preciso trust_remote_code. O modo por regiões e a configuração do benchmark também exigem PaddlePaddle, PaddleX e PP-DocLayoutV3.
- Integrações
- Versões do Transformers, vLLM e SGLang que suportam Qwen3_5ForConditionalGeneration; um serviço MCP, demonstração no navegador e skill de agente no repositório do GitHub; GGUF comunitário para llama.cpp e um build NInfer em BF16; pesos espelhados no ModelScope.
- Dados e privacidade
- Apache 2.0 sem restrições de uso. Só auto-hospedado, então os documentos ficam no seu hardware; os rótulos de treino foram produzidos em grande parte por outros modelos de OCR abertos.
- Custo em escala
- O checkpoint tem 1,75 GB e roda em uma GPU de consumo. A OpenBMB mediu 0,724 página por segundo em uma RTX 5090 com concorrência 1, então uma única placa cobre cerca de 2.600 páginas por hora antes do batching; a Xiaomi não publica números de throughput.
- Limites
- A configuração permite 262.144 posições; o código de exemplo limita a saída a 4.096 novos tokens por página. O modo por regiões pode perder contexto em texto de cenas, manuscritos e livros históricos, e as quantizações comunitárias não foram testadas pela Xiaomi.
O que é bom
- 96,83 no OmniDocBench v1.6 com 0,8B (autodeclarado)
- Parsing, perguntas e respostas sobre documentos e extração de campos em JSON em um único checkpoint
- Média de 83,2 em cinco benchmarks de perguntas e respostas sobre documentos, acima do Qwen3.5-2B
- Apache 2.0; checkpoint de 1,75 GB
O que não é
- A OpenBMB mediu 92,73 no Real5-OmniDocBench, não os 95,24 da Xiaomi
- Mais lento que o MiniCPM-OCR 1.0 e o PaddleOCR-VL-1.6 no teste da OpenBMB
- As pontuações de parsing de destaque exigem o modelo de layout separado PP-DocLayoutV3
- Os builds em GGUF e Ollama são comunitários e não validados
Ideal para
Equipes que querem um único modelo pequeno com licença Apache tanto para converter páginas em Markdown quanto para extrair campos de formulários e recibos.
Alternativas ao Xiaomi-OCR-0
Xiaomi-OCR-0: perguntas frequentes
- Xiaomi-OCR-0 vale a pena?
- O Xiaomi-OCR-0 lê uma página quase tão bem quanto modelos uma vez e meia maiores, mas seu melhor número de destaque é um que um laboratório rival não conseguiu reproduzir. Damos nota 4.1 de 5.
- Quanto custa Xiaomi-OCR-0?
- Gratuito sob Apache 2.0. Sem API hospedada da Xiaomi.
- Quais são as desvantagens de Xiaomi-OCR-0?
- A OpenBMB mediu 92,73 no Real5-OmniDocBench, não os 95,24 da Xiaomi; mais lento que o MiniCPM-OCR 1.0 e o PaddleOCR-VL-1.6 no teste da OpenBMB; as pontuações de parsing de destaque exigem o modelo de layout separado PP-DocLayoutV3; os builds em GGUF e Ollama são comunitários e não validados.
- Para quem Xiaomi-OCR-0 é indicado?
- Equipes que querem um único modelo pequeno com licença Apache tanto para converter páginas em Markdown quanto para extrair campos de formulários e recibos.
- Quanto custa Xiaomi-OCR-0 para uma equipe ou em produção?
- O checkpoint tem 1,75 GB e roda em uma GPU de consumo. A OpenBMB mediu 0,724 página por segundo em uma RTX 5090 com concorrência 1, então uma única placa cobre cerca de 2.600 páginas por hora antes do batching; a Xiaomi não publica números de throughput.
- Xiaomi-OCR-0 é seguro para dados da empresa?
- Apache 2.0 sem restrições de uso. Só auto-hospedado, então os documentos ficam no seu hardware; os rótulos de treino foram produzidos em grande parte por outros modelos de OCR abertos.
- Quais são as melhores alternativas ao Xiaomi-OCR-0?
- As alternativas mais próximas que analisamos são MiniCPM-OCR 1.0, PaddleOCR-VL-1.6, Surya OCR 2.5 e Unlimited-OCR 2.
Respostas verificadas em 2 de nov. de 2026.
Você faz o Xiaomi-OCR-0? Mostre esta nota no seu site
