A Xiaomi anunciou o lançamento do modelo Xiaomi-OCR-0, um modelo leve para compreensão de documentos. Os pesos e o código para inferência deste modelo estão disponíveis nas plataformas Hugging Face e GitHub, conforme relatado pela empresa em 30 de outubro.
O modelo possui 0,8 bilhão de parâmetros e foi projetado para executar três tipos de tarefas dentro de um único sistema: análise de documentos, extração de informações chave e respostas a perguntas visuais por OCR.
A funcionalidade de análise inclui o reconhecimento de texto principal, tabelas e fórmulas matemáticas, fornecendo resultados estruturados na ordem de leitura com suporte a formatos nativos Markdown e LaTeX. Para a extração de informações chave, o modelo foca em faturas, recibos, documentos de identidade e formulários comerciais, encontrando campos solicitados e fornecendo o resultado em formato JSON para fluxos de trabalho automatizados.
As respostas a perguntas visuais vão além da simples transcrição, permitindo a pesquisa entre regiões, cálculos numéricos e raciocínio baseado em documentos e gráficos.
Metodologia de Treinamento e Ajuste
A Xiaomi afirma que o modelo é construído com base no modelo Qwen3.5-0.8B-Base e foi treinado com aproximadamente 170 milhões de amostras de OCR e documentos. Os rótulos dos dados foram filtrados através do consenso de vários modelos de OCR especializados, que realizaram verificações mútuas e votaram sobre áreas de texto, tabelas e fórmulas.
Ao trabalhar com tabelas e fórmulas complexas, a equipe utilizou um ciclo de 'previsão, renderização novamente e comparação': os resultados candidatos eram renderizados de volta em imagens e comparados com o original em nível de pixel e estrutura para detectar linhas deslocadas ou caracteres ausentes. Casos sintéticos complexos incluíram texto multilíngue, caligrafia histórica, efeito moiré de tela e iluminação distorcida.
O processo de treinamento ocorreu em três fases: primeiro, fixação textual para alinhar áreas visuais com tokens de texto; em seguida, pré-treinamento contínuo de OCR em dezenas de bilhões de tokens; e, finalmente, aprendizado por reforço para tarefas mistas com recompensas verificáveis, como distância de edição estrutural e pontuações de correspondência de tabela.
Resultados de Teste
No benchmark OmniDocBench v1.6, o modelo obteve uma pontuação de 96,83, ficando em segundo lugar no geral, apenas 0,04 pontos atrás do líder, e tornando-se o primeiro entre os modelos com menos de um bilhão de parâmetros. No teste Real5-OmniDocBench, que simula digitalizações, papel amassado, capturas de tela, mudanças de iluminação e quadros inclinados, o modelo alcançou 95,24 pontos. As métricas no Wild-OmniDocBench foram de 87,94.
O modelo atinge 97,84 no teste de referência de fórmulas UniMER-Test e 92,27 no PubTabNet para avaliação de estrutura de tabelas. Ao calcular a média dos resultados em DocVQA, InfoVQA, ChartQA, OCRBench e TextVQA, ele obtém 83,2 pontos, superando o HunyuanOCR-1.5 com 76,5 e o 8B MiniCPM-V-4.5 com 82,6, embora fique atrás do Qwen3.5-4B com 84,9. Deve-se notar que todos os números apresentados são dados próprios da Xiaomi.
A Xiaomi informa que esta tecnologia já está integrada ao assistente Super XiaoAi em seus telefones, onde é capaz de extrair códigos de resgate, números de fila, detalhes de contas e horários de reuniões diretamente da tela. Além dos pesos do modelo, a Xiaomi fornece aos desenvolvedores uma versão de demonstração no navegador, o serviço MCP e um conjunto de ferramentas Agent Skill.
