Xiaomi-OCR-0 خدام

Xiaomi-OCR-0 هو موديل خفيف ومتعدد الوسائط لفهم الوثائق، مفتوح المصدر من طرف Xiaomi وبـ0.8B بارامتر، تدرّب على Qwen3.5-0.8B وكيجمع بين تحليل الوثائق، استخراج المعلومات المهمة، والجواب على الأسئلة البصرية ديال OCR. جاب 95.24 نقطة واحتل المرتبة الأولى فـReal5-OmniDocBench، و96.83 نقطة والمرتبة الثانية فـOmniDocBench v1.6، بينما تجاوز متوسطو فاختبارات OCR-VQA الخمسة 83.2 موديلات من نفس الفئة. محرك البيانات ديال Xiaomi-OCR-0 كيعتمد على وسم بتوافق الخبراء والتحقق عبر إعادة التصيير، ومعاه أدوات MCP وAgent Skill، وتطبّق فعلياً فهاتف Xiaomi عبر «Xiao Ai».

تحليل الوثائق: كيتعرّف على النص الرئيسي، الجداول المعقدة والصيغ الرياضية فالوثيقة وكيعاود يبنيها، وكيخرج النتائج المهيكلة بصيغة Markdown/LaTeX حسب ترتيب القراءة الطبيعي.
استخراج المعلومات المهمة (KIE): فالوثائق شبه المهيكلة بحال الفواتير والبطائق، كيحدد الحقول المطلوبة بدقة وكيخرج البيانات فبنية JSON مهيكلة.
الجواب البصري على أسئلة OCR: ما كيبقاش غير فنسخ النص، بل كيدعم البحث بين العناصر، الحسابات الرقمية والاستدلال الدلالي على الوثائق والرسوم البيانية.

تابعونا فـWeChat وجاوبو بـ«开源» باش تنضمو لمجموعة التواصل ديال مشاريع الذكاء الاصطناعي مفتوحة المصدر
وسم توافق الخبراء غير المتجانسين (ETC): كيتنبأو 8 موديلات خبيرة فـOCR، مختلفة فالبنية والبيانات والاستراتيجيات، بشكل مستقل بمناطق الوثيقة. كيتحسب التوافق الثنائي بشكل منفصل للنص (NED)، والجداول (TEDS)، والصيغ (CDM)، ومن بعد كيتختار الثلاثي اللي عندو أعلى توافق وكتتاخذ القيمة الوسطى ديالو كوسم زائف؛ غير العينات عالية الثقة اللي كتساوي أو كتفوت درجة توافقها 0.9 كتمشي مباشرة لمجموعة التدريب، وبهذا كيتحيد تحيز الموديل الواحد من المصدر.
التحقق الموجّه بإعادة التصيير (Render-Guided Refine-and-Judge): فالمناطق اللي كيختلفو فيها الخبراء، كيعيد Qwen3.5-122B-A10B تصيير نتائج التحليل المحتملة على شكل صور، وكيقارنها مع المنطقة الأصلية على مستوى البكسلات والبنية باش يحدد العيوب الخفية بحال اختلال الصفوف والأعمدة أو نقص الرموز، وكيصححها بشكل تكراري حتى 3 مرات؛ والنتائج اللي ما كتستقرش كتدخل لمرحلة ثانية فيها «تشخيص—تصحيح—تحقق» مع الاحتفاظ بتاريخ التحقق كامل، وما كتتقبلش نهائياً حتى ترجع لمجموعة الخبراء ويتحقق التوافق من جديد.
تنقيب العينات والتوليف الموجّه: نسبة التدريب كتتحدد بثلاثة مؤشرات مجمعة: توافق الخبراء، الاتساق الذاتي للموديل، والتجميع الدلالي بـK-Means. وبناءً عليها كيتبناو على حدة خليط واسع التغطية ديال CPT ومجموعة الأمثلة الصعبة والمعقدة ديال RL؛ والبيانات المركبة كتتولد بجوج مسارات، واحد موجّه بالتغطية وواحد موجّه بالفشل، وما كيتعتمد حتى وصفة حتى كتتأكد فعاليتها فمجموعة تحقق مجمدة.
التدريب التدريجي على ثلاث مراحل: أولاً كيتستعمل التدريب القبلي المثبت للنص بـQ-Mask باش يتبنى التوافق الدقيق بين محتوى النص والموقع المكاني؛ من بعد كيتدار تدريب قبلي مستمر متعدد المهام لـOCR، وكتتوسع تغطية مهام تحليل الصفحة كاملة، والتعرف على المناطق، وVQA داخل نفس صيغة التوليد التلقائي؛ وأخيراً كيتستعمل التعلم بالتعزيز Mix-RL بصيغة DAPO على الأمثلة الصعبة المستخرجة، مع توجيه المكافآت حسب نوع المهمة، واستعمال مكافآت قابلة للتحقق لتجاوز حدود التخطيطات المعقدة والاستدلال متعدد المراحل.

الحصول على الكود: كلون مستودع GitHub SeerRay-Lab/Xiaomi-OCR-0 وثبّت بيئة الاعتماديات الموجودة فـrequirements.
تحميل الأوزان: حمّل ملفات أوزان موديل 0.8B من Hugging Face SeerRay-Lab/Xiaomi-OCR-0.
تجربة سريعة: شغّل السكريبت المرفق مع المشروع باش تفتح Demo تفاعلي فالمتصفح، ومن بعد حمّل صورة وثيقة وجرب التحليل والاستخراج والجواب مباشرة.
إعداد استدعاء Agent: دخل خدمة MCP أو Agent Skill الموجودة فالمستودع فالمساعد الذكي ديالك، باش تدير أوتوماتيكياً عملية «التعرف على الشاشة/الوثيقة—استخراج الحقول—تنفيذ الخطوة الموالية».
نشر خدمة محلية: استعمل SGLang أو vLLM باش تنشر الموديل كخدمة استدلال محلية، ويقدر النظام ديالك يستدعيها عبر API.
إضافة كشف التخطيط: إلا استعملتي أنبوب من مرحلتين، استعمل أولاً PP-DocLayoutV3 لكشف مناطق النصوص والجداول والصيغ، ومن بعد صيفط كل منطقة لـXiaomi-OCR-0 باش يتعرف عليها ويركب النتيجة ديال الصفحة كاملة.
كتابة التعليمات: بنِ المطالبات بصيغة موحدة image–instruction–response، وحدد فيها نوع المهمة: التحليل أو KIE أو VQA.

كفاءة قصوى فعدد البارامترات: غير بـ0.8B بارامتر جاب 96.83 نقطة فـOmniDocBench v1.6، وموديلات متخصصة بين 0.8B و1.2B تفوقت بشكل شامل على GPT-5.2 وQwen3-VL-235B وموديلات عامة كبيرة أخرى.
الأفضل فالمتانة مع الصور الحقيقية: جاب 95.24 نقطة واحتل المرتبة الأولى فـReal5-OmniDocBench، وتصدر فخمسة سيناريوهات للتشويش: المسح الضوئي، انحناء الورق، تصوير الشاشة، الإضاءة غير المتساوية، والتصوير المائل.
ثلاث قدرات فموديل واحد: تحليل الوثائق، استخراج المعلومات المهمة، والجواب البصري على أسئلة OCR مجموعين فموديل واحد، وكيتم تبديل المهام عبر واجهة تعليمات مشتركة بلا حاجة لدمج عدة موديلات متخصصة.
محرك البيانات عوض تضخيم البارامترات: 170 مليون عينة كتنتج أوتوماتيكياً عبر تصويت الخبراء، والتحقق الموجّه بإعادة التصيير، والتوليف الموجّه بالفشل، وبهذا كتتعوض زيادة حجم الموديل بجودة البيانات.
التعلم المنهجي كينقل المعرفة بشكل إيجابي: الإشراف على الفهم كيرجع يدعم التحليل من بعد ما ينضج، وكيزيدو حتى +0.64 نقطة، محققاً قفزة مزدوجة فالقدرات رغم خفة الموديل.

الموقع الرسمي للمشروع：https://huggingface.co/spaces/xiaomi-research/Xiaomi-OCR-0
مستودع GitHub：https://github.com/xiaomi-research/Xiaomi-OCR-0
مستودع موديل HuggingFace：https://huggingface.co/xiaomi-research/Xiaomi-OCR-0
الورقة التقنية فـarXiv：https://arxiv.org/pdf/2609.36136

تدبير فوري لوثائق الحياة اليومية: كيتعرف على معلومات محدودة الوقت بحال كود استلام طلبات الماكلة، كود استلام الطرود، ورقم الانتظار، وكيضيفها لـ«الجزيرة» باش توصل ليها بنقرة ملي تحتاجها.
الحساب الذكي وترتيب الفواتير: كييستخرج بنقرة وحدة المبلغ، التاجر، الوقت والصنف من تفاصيل فواتير WeChat/Alipay، وكيولد أوتوماتيكياً سجلات المصاريف.
إدخال منظم لمعلومات البطائق والوثائق: بالتصوير أو التعرف على الشاشة، كيستخرج حقول بطاقة التعريف الوطنية، البطاقة البنكية، الفاتورة، جواز السفر وغيرها بصيغة JSON، عوض الإدخال والمراجعة اليدوية.
إنشاء ذكي للمواعيد: كيستخرج الوقت والمكان من إشعارات المجموعات وملصقات الأنشطة، وكيولد أوتوماتيكياً بطاقات المواعيد وكيضيفها للتقويم.
ربط معلومات السفر: كيستخرج معلومات الرحلة بحال رقم الرحلة من المحادثات، وكيقلب أوتوماتيكياً على مستجدات الإقلاع والوصول الفعلية وكيبعث التنبيهات.