你相册里那堆截图，小米想让一个 0.8B 模型替你处理掉
小米开源 0.8B 端侧文档模型 Xiaomi-OCR-0：9 月底放出权重，10 月 30 日晚正式发布；能解析也能理解截图，榜单成绩均为官方自报。
01
说一件大家应该都干过的事。
截图。
取餐码，截一下。
快递取件码，截一下。
群里发的会议通知，截一下。
航班信息，截一下。
月底想记个账，把微信支付宝账单也截一下。
然后呢？
然后就没有然后了。
截图躺在相册里，和几千张别的截图挤在一起，等你哪天想起来，翻半天找不到。
讲道理，截图就是当代人的待办清单。
只不过是一份从来没人处理的待办清单。
所以当我看到小米放出 Xiaomi-OCR-0 的时候，第一反应不是这个模型跑分多少。
而是，终于有人想管管这堆截图了。
先把时间说清楚，免得搞混。
这个模型是 9 月底放出权重，10 月 30 日晚正式发布。
参数只有 0.8B，基于 Qwen3.5-0.8B-Base，Apache-2.0 许可。
02
据智东西的报道，这个模型对应的是超级小爱的"识屏办事"。
说白了，就是你在手机上看到什么，让它帮你把事办了。
报道里举的场景，特别接地气：
- 取餐码、取件码，直接提炼出来，放到"上岛"
- 微信、支付宝账单，一键记账
- 海报、会议通知，自动生成日程
- 只给一个航班号，问它几点到
你注意看，这些事有一个共同点。
光认出字来，没用。
一张账单截图上有几十个字，你要的只是金额、商户和时间。
一张会议海报上有标题、口号、赞助商，你要的只是几点、在哪。
这在行业里有两个名字。
挑出要紧字段，叫 KIE，关键信息抽取。
看完图回答问题，叫 VQA，视觉问答。
传统 OCR 只管第一步认字，后面两步得另外找模型。
Xiaomi-OCR-0 想干的，是把认字、抽字段、答问题塞进同一个模型里。
你可能会问，这有什么区别？
区别大了。
认字是抄写员。
抽字段是会计。
答问题是秘书。
以前你得雇三个人，现在小米说，一个人全包了，而且这个人住在你手机里，不要工资。
当然，能不能真全包，得看实际用起来的效果，这个现在谁也打不了包票。
KIE 这块，官方的做法是你给它一个 JSON schema，它按格式把字段填好交回来。
03
为什么非要塞进一个模型？
这就要算一笔手机的账了。
云端大模型什么都能干，但每一张截图都传上去，有流量、有延迟、有隐私顾虑，厂商还得为每一次调用付推理成本。
放在手机上跑，这些问题少很多。
但手机的内存和电量是有限的。
你总不能装三个模型，一个认字、一个抽字段、一个答问题，轮流上岗吧？
那手机发烫的时候，你还以为它在偷偷挖矿。
所以端侧的逻辑很简单：能一个模型干完的，绝不用两个。
这不是抠门。
这是手机这块地皮太贵了，每一寸都得算着用。
那一个 0.8B 的小模型，答问题能答成什么样？
官方给的 OCR-VQA 均分是 83.2。
对照组里，Qwen3.5-2B 是 80.9，MiniCPM-V-4.5 8B 是 82.6。
当然也有比它高的，Qwen3.5-4B 是 84.9。
官方自己把这一行放出来了，这点我是认的。
04
我觉得这个项目里最值钱的部分，不是模型，是数据。
据官方介绍，训练用了大约 1.7 亿条样本。
这么多样本，标签从哪来？
人工标？
标到明年也标不完。
小米的办法是找一群"专家"来标：据技术报告，专家池里有 PaddleOCR-VL-1.6、MinerU2.5-Pro、GLM-OCR、HunyuanOCR-1.5、TeleOCR 等一批现成模型。
但一个模型说的不算。
按整个专家池的一致程度给候选标注排序，选出三个专家意见一致的那一组，才算。
说法对不上、拿不准的样本，送去进一步精修，尤其是表格和公式，就把识别结果重新渲染回图像，和原图对比，看谁说得对。
这套东西我太熟悉了。
这就是风控里的交叉验证和对账。
一个数据源说你是好人，不算。
三个数据源对上了，才放行。
对不上的单子，拉出来人工复核，在这里只不过是把"人工"换成了"渲染回去比对"。
谁说 AI 训练是玄学？
底层全是对账。
05
先说训练是怎么排的。
官方模型卡写的是三个阶段。
第一阶段叫 Q-Mask 文本锚定，先让模型把图上的字和位置对牢。
第二阶段是 OCR 持续预训练，大量地认字、认版面。
第三阶段是混合任务强化学习，用的是可验证的奖励。
什么叫可验证？
就是答案对不对，能直接核出来，比如抽出来的金额和原图上的是不是同一个数。
这跟风控里只认能对账的指标是一个思路。
说不清对错的奖励，模型就会学会讨好你，而不是学会做对。
然后是一个发现，我觉得比跑分有意思。
官方做了一组实验：把"理解类"数据在训练的不同阶段掺进去，看它对文档解析指标的影响。
早期掺，效果是 −0.330。
中期掺，是 +0.639。
后期掺，是 +0.0749。
翻译成人话就是，先学认字，再学阅读理解。
字还没认全就让你做阅读理解，只会把认字也学乱。
这跟小学语文一个道理。
另一个发现是，同样的数据流程下，4B 的专家模型比 0.8B 的成品，理解能力高了大约 4.9 分，解析能力只高了大约 0.15 分。
官方的结论是，理解比解析更难，也更吃参数。我把它简化成一句：解析吃数据，理解吃参数。
这句话放到手机上，就是一笔很清楚的账。
参数是贵的，手机内存就那么大。
数据是可以堆的，前面那套"专家对账"就是用来堆数据的。
所以小米把钱砸在数据引擎上，而不是硬把模型做大。
（这一段是我的理解，不是官方原话。）
06
最后说说大家爱看的跑分。
以下都是官方自报：
- Real5-OmniDocBench 拿了 95.24，排第一
- OmniDocBench v1.6 是 96.83，排第二，第一是 1.2B 的 TeleOCR，96.87
- Wild-OmniDocBench 是 87.94；公式识别 UniMER-Test 是 97.84，表格识别 PubTabNet 是 92.27
- 古籍类的 Chronicles-OCR（Mature Scripts）是 73，Seed 2.0 Pro 是 72
站内之前写过 百度 Unlimited-OCR 2，那篇讲的是怎么把长文档啃完，这篇是另一头，手机上一张截图怎么办成一件事。
想自己试试的，有浏览器 Demo，也有 MCP 和 Agent Skill。
社区还有人打包了 Ollama 版本，ollama pull longwayxu/xiaomi-ocr-0:bf16，大约 1.8GB。官方把它标为实验性，建议配合仓库里的 MCP 或 Demo 用，它们会自动套上对齐检查时用的预处理和解码设置；至于其他社区转换的 GGUF 版本，团队说没评测过，用之前自己掂量。
那这事儿对谁不太友好？
我猜，是那些专门做截图整理、记账提醒、取件码汇总的小工具。
以前它们的生意是，你截图，它帮你整理。
现在手机厂商说，截图这一步我在系统里就接住了。
你一个第三方 App，凭什么还要用户多开一次？
当然，这是我瞎猜的，小米没说要干掉谁。
但商业就是这样，平台每往前走一步，就有一批小生意要重新找饭碗。
对普通用户来说，倒是简单：谁让我少翻一次相册，我就给谁鼓掌。
说到底，这东西最后能不能好用，不看跑分。
看的是哪天你截完取件码，不用再翻相册。
祝你早安，午安，晚安，取件码一次就找到。
来源：Hugging Face 模型卡；GitHub 仓库；新浪财经转载智东西报道（2026-10-31）。模型卡记载 2026-09-30 发布技术报告并放出权重，10 月 30 日晚为正式发布；参数量、训练数据规模、各阶段实验与基准成绩均为官方自报，基准针对原始 checkpoint；社区 GGUF 版官方未评测；“解析吃数据，理解吃参数”为作者对官方结论的简化。