Xiaomi-OCR-0 Faoliyat yuritmoqda

Xiaomi-OCR-0 — Xiaomi tomonidan ochiq manbada taqdim etilgan 0.8B parametrli yengil multimodal hujjatlarni tushunish modeli. Qwen3.5-0.8B asosida o‘qitilgan bo‘lib, hujjatlarni tahlil qilish, muhim ma’lumotlarni ajratib olish va OCR vizual savol-javob imkoniyatlarini birlashtiradi. Real5-OmniDocBench testida 95.24 ball bilan birinchi, OmniDocBench v1.6 testida 96.83 ball bilan ikkinchi o‘rinni egalladi; OCR-VQA bo‘yicha besh yo‘nalishdagi o‘rtacha 83.2 balli bilan shu darajadagi modellardan ustun. Xiaomi-OCR-0 ma’lumotlar dvigatelida ekspertlar konsensusi asosidagi belgilash va render orqali tekshirish qo‘llanadi. MCP va Agent Skill vositalari bilan birga taqdim etilib, Xiaomi telefonlaridagi “Super XiaoAi”ga joriy qilingan.

Hujjatlarni tahlil qilish: hujjatlardagi asosiy matn, murakkab jadvallar va matematik formulalarni aniqlab, ularni tabiiy o‘qish tartibida Markdown/LaTeX formatidagi tizimli natijaga aylantiradi.
Muhim ma’lumotlarni ajratib olish (KIE): hisob-faktura, karta va boshqa yarim tuzilgan hujjatlarda belgilangan maydonlarni aniq topib, JSON formatida tizimli ma’lumot chiqaradi.
OCR vizual savol-javob: matnni ko‘chirish bilan cheklanmay, hujjat va diagrammalarda elementlararo qidiruv, sonli hisob-kitob hamda semantik xulosa asosidagi savol-javobni qo‘llab-quvvatlaydi.

WeChat’da kuzatib boring va “开源” deb javob yuborib, AI ochiq manbali loyihalar guruhiga qo‘shiling
Geterogen ekspertlar konsensusi asosida belgilash (ETC): arxitektura, ma’lumotlar va strategiyalari turlicha bo‘lgan 8 ta OCR ekspert modeli hujjat hududlarini mustaqil bashorat qiladi. Matn (NED), jadval (TEDS) va formula (CDM) bo‘yicha juftliklararo muvofiqlik alohida hisoblanadi, konsensus darajasi eng yuqori bo‘lgan uchlik tanlanib, uning medianasi psevdobelgi sifatida olinadi; faqat konsensus darajasi ≥0.9 bo‘lgan yuqori ishonchli namunalar bevosita o‘qitish to‘plamiga kiritiladi va shu orqali bitta modelga xos og‘ishlar dastlabki bosqichda filtrlanadi.
Render orqali yo‘naltirilgan tekshiruv (Render-Guided Refine-and-Judge): ekspertlar fikri farq qiladigan hududlarda Qwen3.5-122B-A10B nomzod tahlil natijasini qayta tasvirga aylantiradi va uni asl hudud bilan piksel hamda tuzilma darajasida taqqoslaydi. Shu tariqa satr va ustunlarning siljishi, belgilar tushib qolishi kabi yashirin nuqsonlar aniqlanadi va ko‘pi bilan 3 bosqichda tuzatiladi; konvergentsiyaga erishmagan natijalar to‘liq tekshiruv tarixi saqlangan ikkinchi bosqichdagi “tashxis — tuzatish — tasdiqlash” jarayoniga yuboriladi. Yakunda ular qabul qilinishidan oldin ekspertlar guruhiga qaytarilib, qayta konsensusga erishiladi.
Namuna qazib olish va yo‘naltirilgan sintez: o‘qitish nisbati uchta signal — ekspertlar konsensusi, modelning o‘z-o‘ziga muvofiqligi va K-Means semantik klasterlash — asosida belgilanadi. Ular asosida CPT uchun keng qamrovli aralash to‘plam, RL uchun esa murakkab namunalar to‘plami tuziladi; sintetik ma’lumotlar “qamrovga yo‘naltirilgan” va “muvaffaqiyatsizlikka yo‘naltirilgan” ikki yo‘nalishda yaratiladi, retsept samarasi esa faqat muzlatilgan tekshiruv to‘plamida tasdiqlangandan keyin qabul qilinadi.
Progressiv uch bosqichli o‘qitish: avval Q-Mask matnli ankrajga asoslangan oldindan o‘qitish orqali matn mazmuni va fazoviy joylashuvning nozik mosligi yaratiladi; keyin ko‘p vazifali OCR uzluksiz oldindan o‘qitish bosqichida yagona autoregressiv formatda to‘liq sahifa tahlili, hududni aniqlash, VQA kabi vazifalar qamrovi kengaytiriladi; yakunda qazib olingan murakkab namunalar ustida DAPO uslubidagi Mix-RL mustahkamlovchi o‘qitish qo‘llanadi. Mukofotlar vazifa turiga qarab yo‘naltiriladi va tekshiriladigan mukofotlar orqali murakkab maketlar hamda ko‘p bosqichli xulosa chiqarish chegaralari kengaytiriladi.

Kodni olish: GitHub’dagi SeerRay-Lab/Xiaomi-OCR-0 repozitoriysini klonlang va requirements faylida ko‘rsatilgan bog‘liqliklarni o‘rnating.
Og‘irliklarni yuklab olish: Hugging Face’dagi SeerRay-Lab/Xiaomi-OCR-0 manbasidan 0.8B model og‘irliklarini yuklab oling.
Tezkor sinov: loyiha tarkibidagi skriptni ishga tushirib, brauzerdagi interaktiv Demo’ni oching; hujjat rasmini yuklab, tahlil, ajratib olish va savol-javob funksiyalarini onlayn sinab ko‘ring.
Agent chaqiruvini sozlash: repozitoriydagi MCP xizmati yoki Agent Skill’ni agentingizga ulang va “ekran/hujjatni aniqlash — maydonlarni ajratib olish — keyingi amalni bajarish” avtomatlashtirilgan jarayonini yo‘lga qo‘ying.
Mahalliy xizmatni joylashtirish: modelni SGLang yoki vLLM yordamida mahalliy xulosa chiqarish xizmatiga aylantiring va biznes tizimlariga API orqali ulash imkonini yarating.
Maketni aniqlashni ulash: ikki bosqichli quvurdan foydalanganda avval PP-DocLayoutV3 yordamida matn, jadval va formula hududlarini aniqlang, so‘ng har bir hududni Xiaomi-OCR-0 ga yuborib, sahifa darajasidagi natijaga birlashtiring.
Ko‘rsatmalar yozish: promptlarni yagona image–instruction–response formatida tuzing va tahlil, KIE yoki VQA vazifa turini alohida belgilang.

Yuqori parametr samaradorligi: atigi 0.8B parametr bilan OmniDocBench v1.6 testida 96.83 ball oldi; 0.8B–1.2B maxsus modellar GPT-5.2, Qwen3-VL-235B kabi universal yirik modellardan to‘liq ustun keldi.
Haqiqiy tasvirlarda barqarorlik bo‘yicha yetakchi: Real5-OmniDocBench testida 95.24 ball bilan birinchi o‘rinda; skanerlash, qog‘ozning bukilishi, ekranni qayta suratga olish, notekis yoritish va qiya suratga olishdan iborat besh xalaqitli vaziyatning barchasida yetakchilik qiladi.
Uch qobiliyat bir modelda: hujjatlarni tahlil qilish, muhim ma’lumotlarni ajratib olish va OCR vizual savol-javobi yagona modelga birlashtirilgan. Umumiy ko‘rsatmalar interfeysi orqali vazifalar almashtiriladi va bir nechta maxsus modelni birlashtirish talab etilmaydi.
Parametrlarni ko‘paytirish o‘rniga ma’lumotlar dvigateli: 170 million namuna ekspertlar konsensusidagi ovoz berish, render orqali yo‘naltirilgan tekshiruv va muvaffaqiyatsizlikka asoslangan sintez yordamida avtomatik yaratiladi; model hajmi o‘rniga ma’lumotlar sifati oshiriladi.
Kursiv o‘qitish orqali ijobiy transfer: tushunish bo‘yicha nazorat tahlil yetarlicha takomillashgach, tahlil jarayonini qayta yaxshilaydi va yengil modelda ikki tomonlama qobiliyatni eng ko‘pi bilan +0.64 ballga oshiradi.

Loyiha sayti: https://huggingface.co/spaces/xiaomi-research/Xiaomi-OCR-0
GitHub repozitoriysi: https://github.com/xiaomi-research/Xiaomi-OCR-0
Hugging Face model kutubxonasi: https://huggingface.co/xiaomi-research/Xiaomi-OCR-0
arXiv texnik maqolasi: https://arxiv.org/pdf/2609.36136

Kundalik hayotdagi vaqtinchalik ma’lumotlarni boshqarish: taom yetkazib berish buyurtmasini olib ketish kodi, kuryer jo‘natmasini olish kodi, navbat raqami kabi vaqtga bog‘liq ma’lumotlarni aniqlab, ularni “orol”ga joylashtiradi va kerak bo‘lganda bir tegishda ochish imkonini beradi.
Smart hisob yuritish va hisob-kitoblarni tartiblash: WeChat/Alipay hisob tafsilotlaridan summa, savdogar, vaqt va toifani bir tegishda ajratib olib, hisob yozuvini avtomatik yaratadi.
Karta va hujjatlarni tizimli kiritish: suratga olish yoki ekranni aniqlash orqali ID-karta, bank kartasi, hisob-faktura, pasport kabi hujjatlardagi maydonlarni JSON formatida ajratib oladi va qo‘lda kiritish hamda tekshirishni almashtiradi.
Jadvalni aqlli yaratish: guruh chatlari bildirishnomalari va tadbir posterlaridan vaqt hamda joyni ajratib olib, jadval kartasini avtomatik yaratadi va taqvimga qo‘shadi.
Safar ma’lumotlarini bog‘lash: chatlardan parvoz raqami kabi safar ma’lumotlarini ajratib olib, real vaqtdagi uchish-qo‘nish holatini avtomatik tekshiradi va eslatma yuboradi.