0.8B 小模型的大野心：小米 Xiaomi-OCR-0 与文档智能的"效率战"

过去一周，AI 圈的头条几乎被万亿参数模型包揽：Mistral 开源了 1 万亿参数的 Large 4，GPT-6.1 Terra 在拼"够用且便宜"的 Agent 成本。但 10 月 30 日晚间的一则消息走了完全相反的方向——小米发布并开源了只有 0.8B（8 亿）参数的文档理解模型 Xiaomi-OCR-0。它没有拼规模，却在多项文档解析基准上越级对标了数倍于自己的模型。这篇小模型，恰恰可能是本周最值得讨论的技术信号：文档智能的竞争，正在从"堆参数"转向"效率战"。

一、一个模型，三种活：从"认字"到"看懂文档"

传统 OCR 只解决一个问题：把图片里的字认出来。但真实世界里的文档远比这复杂：一篇论文里有跨行公式，一份财报里有嵌套表格，一张票据里字段与键值的关系藏在版式里。光认出字，离"能用"还差得很远。

据报道，Xiaomi-OCR-0 把三类能力压进了同一个 0.8B 模型：

• 文档解析：识别正文、复杂表格和数学公式，按自然阅读顺序还原结构，原生输出 Markdown、LaTeX 等格式，方便直接进编辑器、知识库和检索增强流程；
• 关键信息抽取（KIE）：面向发票、收据、卡证和业务表单，按指定字段定位并抽取信息，输出 JSON 等标准结构化数据，对接自动化工作流；
• OCR 视觉问答（VQA）：围绕文档与图表做跨区域检索、数值计算和语义推理，回答针对视觉文本的问题。

三合一的意义不在于功能罗列，而在于链路打通：底层感知（字在哪、结构是什么）与高层认知（这是什么意思、该抽什么字段）由同一个模型完成，中间不再需要多个专用模型串联、互相传话。这正是端侧场景最需要的形态——小、快、一次调用就能干完活。

二、0.8B 凭什么越级？看基准，更要看"真实拍摄"

只看参数量，0.8B 对上 4B、8B 模型似乎毫无胜算。但据报道，它的成绩单颇为扎眼：综合文档解析基准 OmniDocBench v1.6 得分 96.83，在 1B 以下模型中排名第一，总榜上仅以 0.04 分之差位列第二；五项文档 VQA 平均分 83.2，超过了 HunyuanOCR、TokenVL、TextHawk 等专用模型，也超过了通用多模态模型 Qwen3.5-2B 和 MiniCPM-V-4.5，以约五分之一的参数规模逼近 Qwen3.5-4B 的 84.9 分。

更值得注意的是"真实拍摄"基准。实验室里的扫描件干净整齐，现实中的文档却有弯曲、透视、阴影、反光和屏幕摩尔纹。Real5-OmniDocBench 用扫描、纸张弯曲、屏幕翻拍、光照变化和倾斜拍摄五种方式构建了 6775 张测试图像，据报道 Xiaomi-OCR-0 在此取得 95.24 分，排名第一；在聚焦打印形变与复杂透视的 Wild-OmniDocBench 上为 87.94 分。此外，它的公式识别（UniMER-Test 97.84）与表格结构识别（PubTabNet 92.27）也都处在高位，甚至在一项古籍与书法评测中与闭源大模型打平。

当然要提醒一句：这些分数大多来自发布方披露的评测，评测集选择与基线对齐方式会影响可比性。真正有说服力的，是它在"脏数据"上的表现——因为文档智能的战场从来不在干净的扫描件里，而在拍歪的照片、反光的屏幕和皱巴巴的票据上。

三、方法论比参数量更重要：数据引擎与"先解析后理解"

一个 0.8B 模型能做到这些，训练方法论是关键。据报道，该模型基于 Qwen3.5-0.8B-Base 构建，累计使用了约 1.7 亿条高质量 OCR 与文档理解样本，并配套了一套闭环数据引擎：

• 异构专家共识：针对正文、表格、公式等不同区域，让多个 OCR 专家模型交叉校验、三元组投票，滤除单模型的偏见，只留高置信度标注；
• 渲染引导校验：把候选解析代码重新渲染成图像，与原始文档区域做像素与结构级比对，揪出行列错位、符号缺失这类"看起来像、结构错"的问题；
• 困难样本挖掘与定向合成：按版面复杂度、字体形态和物理退化因素持续找短板，定向合成多语种、古籍手写、屏幕摩尔纹与扭曲光照样本，补齐长尾分布。

训练则采用三阶段渐进策略：先以 Q-Mask 文本锚定强化视觉区域与文字 Token 的细粒度空间对齐，再以百亿级 Token 的多任务混合训练做 OCR 持续预训练，最后在困难样本上用可验证奖励信号做混合任务强化学习。团队还观察到一条课程学习规律：模型早期解析基础不牢时，过早混入高层理解任务会分散底层识别注意力；解析根基扎实后，再引入理解监督信号，反而能反哺解析基准，带来最高 +0.64 分的额外增益。

这条规律很有普遍意义：小模型不是"把大模型等比缩小"，而是要按认知顺序搭脚手架。先把"看清楚"练稳，再练"看明白"，顺序错了，两头都受损。

四、落点不在跑分，在手机上"主动办事"

Xiaomi-OCR-0 最有意思的落点，是它直接对应小米手机"超级小爱"的一键识屏场景。据报道，相关技术正在融入高频日常场景：被消息淹没的外卖取餐码、快递取件码，一句话"记一下"就能提炼"上岛"；浏览账单详情时按 AI 键，自动抽取金额、商户、时间与类别，一键智能记账；看到群聊里的会议通知或活动海报，理解上下文后生成日历卡片；报出航班号后直接问"还有多久到"，系统结合屏幕上下文联动查询实时动态。

从"被动截屏查找"到"主动理解服务"，这一步的本质是：OCR 从后台工具变成了 Agent 的"眼睛"。而这也解释了为什么小米要同步开源权重、推理代码、浏览器 Demo、MCP 服务和 Agent Skill 工具包——它争的不只是一个模型排名，而是让文档理解成为任何智能体都能调用的基础能力。谁先把这种能力变成标准接口，谁就卡住了生态位。

五、我的观点：小模型的胜利，是"够用"哲学的胜利

过去两年，业界默认"越大越好"，但 Agent 落地正在改写这条规则：一个全天候运行的智能体，最怕的不是不够聪明，而是太贵、太慢、离不开云端。0.8B 模型的价值不在它打败了谁，而在它证明了一件事——在文档理解这个垂直领域，精心的数据工程与课程设计，可以换来参数效率的数量级提升。

这也给国内厂商提了个醒：与其在通用大模型上跟跑参数竞赛，不如在"高频、刚需、可端侧"的垂直能力上做到极致。文档、票据、屏幕理解，恰恰是离用户最近、调用量最大的场景。

当然，冷静的一面也不能少：0.8B 的上限仍在，复杂推理、多语种长尾、极端手写场景仍需独立验证；端侧"识屏"越主动，隐私边界问题也越突出——屏幕内容是最敏感的数据之一，本地处理与用户授权机制必须跟上能力进化。

结语

Xiaomi-OCR-0 的出现，标志着文档智能进入"效率战"：比的不再是谁更大，而是谁在更小的体量里装下更完整的理解链路、扛住更脏的真实数据、离用户场景更近一步。小模型的大野心，或许正是下一阶段 AI 落地的主旋律。

信源：智东西 10 月 31 日报道《0.8B！小米开源新模型，让超级小爱识屏主动办事》；小米在 Hugging Face 开源的 Xiaomi-OCR-0 模型页与 GitHub 项目（文中基准分数均为报道披露，尚未经第三方独立复现）。