เสียวหมี่เปิดซอร์สโมเดล OCR ขนาด 800 ล้านพารามิเตอร์ สามารถอ่านตารางที่ซับซ้อน ดึงข้อมูล และตอบคำถามได้

动察 Beating ข่าวด่วน AI: Xiaomi เปิดซอร์ส Xiaomi-OCR-0 มีเพียง 800 ล้านพารามิเตอร์ สามารถทำงานได้สามประเภท: แปลงข้อความ ตารางที่ซับซ้อน และสูตรคณิตศาสตร์ในเอกสารให้เป็นเนื้อหาที่แก้ไขได้; ดึงฟิลด์ที่ระบุจากใบแจ้งหนี้ ใบเสร็จ และเอกสารระบุตัวตน ส่งออกเป็น JSON; และยังตอบคำถามตามข้อมูลในเอกสารและแผนภูมิ ไม่ใช่แค่คัดลอกตัวอักษรจากภาพอีกต่อไป

โมเดลนี้ฝึกต่อจาก Qwen3.5-0.8B ของ Alibaba โดยใช้ตัวอย่าง OCR และความเข้าใจเอกสารประมาณ 170 ล้านรายการ เพื่อเพิ่มคุณภาพข้อมูล Xiaomi ให้โมเดล OCR หลายตัวตรวจสอบผลการรู้จำแบบไขว้กัน เมื่อเจอตารางและสูตรที่ซับซ้อน จะเรนเดอร์ผลการรู้จำกลับเป็นภาพและเปรียบเทียบกับภาพต้นฉบับ เพื่อหาปัญหาตำแหน่งคลาดเคลื่อน ตัวอักษรหาย เป็นต้น การฝึกยังทำเป็นระยะ: เริ่มจากฝึกการรู้จำตัวอักษรและการวิเคราะห์เลย์เอาต์ให้ดีก่อน แล้วจึงเพิ่มงานอย่างการสกัดข้อมูลและการตอบคำถามจากภาพ

ในการทดสอบ OCR Visual Question Answering ห้ารายการที่ Xiaomi เปิดเผย Xiaomi-OCR-0 ได้คะแนนเฉลี่ย 83.2 สูงกว่า Qwen3.5-2B ที่มีพารามิเตอร์มากกว่า 2.5 เท่า (80.9) และใกล้เคียงกับโมเดล 4B ที่ได้ 84.9 ในการทดสอบ Real5 การวิเคราะห์เอกสารที่จำลองการรบกวน เช่น การสแกน การกระดาษงอ และการถ่ายภาพหน้าจอ เมื่อใช้ร่วมกับตัวตรวจจับเลย์เอาต์ภายนอกได้คะแนน 95.24

ปัจจุบันน้ำหนักโมเดล โค้ดอนุมาน บริการ MCP และ Agent Skill เปิดซอร์สทั้งหมดแล้ว นักพัฒนาสามารถเชื่อมต่อเข้ากับ AI Agent เพื่ออ่านภาพหน้าจอ PDF และใบเสร็จ แล้วสกัดข้อมูลที่สามารถส่งให้โปรแกรมอื่นประมวลผลได้โดยตรง