Xiaomi-OCR-0: 0,8-Milliarden-Modell für Dokumentenparsing unter Apache-2.0

Xiaomi-OCR-0 mit 0,8 Milliarden Parametern: Dokumente lesen und Fragen dazu beantworten

Xiaomi Research hat Xiaomi-OCR-0 auf Hugging Face veröffentlicht, ein Vision-Language-Modell mit 0,8 Milliarden Parametern. Es soll Dokumente in strukturierten Text überführen und Fragen zu ihrem Inhalt beantworten. Die Basis bildet Qwen3.5-0.8B-Base. Laut AlphaSignal steht das Modell unter Apache-2.0. Ob diese Lizenz auch für den zugehörigen Code gilt, ist in der Primärquelle nicht eigens geprüft.

Gewichte und technischer Report sind laut Modellkarte am 30. September 2026 erschienen. Am 8. Oktober 2026 kamen Community-Konvertierungen hinzu: zwei GGUF-Fassungen und eine BF16-NInfer-Variante. Es ist die erste Veröffentlichung der Reihe. Der Release ist damit rund fünf Wochen alt.

Neu ist nach den Quellen die Kombination. Dokumentenparsing, OCR-zentriertes Verständnis, Frage-Antwort-Aufgaben (VQA) und Informationsextraktion laufen in einem einzigen Modell dieser Größe.

Q-Mask-Textverankerung, Continued Pretraining und Mix-RL auf rund 170 Millionen Samples

Das Trainingsrezept verläuft laut technischem Report in drei Stufen. Zunächst verankert eine Q-Mask-basierte Textverankerung feinteiligen Text an seiner Position im Bild. Es folgt ein OCR-zentriertes Continued Pretraining, das breite Fähigkeiten über mehrere Aufgaben aufbauen soll. Den Abschluss bildet gemischtes Reinforcement Learning (Mix-RL) mit verifizierbaren Rewards auf schwierigen Beispielen.

Den Korpus von rund 170 Millionen Samples erzeugte Xiaomi mit einer automatisierten Daten-Engine. Sie verbindet Expertenkonsens, renderbasierte Verifikation und gezielte Synthese. Laut AlphaSignal stützt sich die Annotation auf acht Experten-OCR-Modelle und ein Verfahren namens Ensemble Triplet Consensus.

Spitzenwerte nur aus Xiaomis eigenen Messungen: Platz 1 oder nur gleichauf mit Konkurrenten unter 2 Milliarden Parametern?

Alle Benchmark-Zahlen stammen von Xiaomi. Eine unabhängige Reproduktion liegt nicht vor. Das Unternehmen nennt 95,24 Punkte auf Real5-OmniDocBench (Rang 1), 96,83 auf OmniDocBench v1.6 und 87,94 auf Wild-OmniDocBench (jeweils Rang 2). Hinzu kommen 97,84 auf UniMER-Test und 92,27 auf PubTabNet. Im Schnitt über fünf OCR-VQA-Benchmarks erreiche das Modell 83,2 Punkte, Qwen3.5-2B komme auf 80,9. Bei historischer Handschrift liege es mit 73 zu 72 gleichauf mit Seed 2.0 Pro.

Die Einordnung fällt unterschiedlich aus. Die Modellkarte hebt die Plätze 1 und 2 hervor. AlphaSignal sieht Xiaomi-OCR-0 nur auf Real5-OmniDocBench vorne und bei den übrigen Benchmarks gleichauf mit Konkurrenten unter zwei Milliarden Parametern. Beide Quellen lesen dieselben Herstellerzahlen, gewichten sie aber verschieden. Welche Modelle verglichen wurden und ob größere darunter sind, geht aus dem Material nicht hervor. Eine Aussage über die tatsächliche Überlegenheit lässt sich daraus nicht ableiten.

Transformers, vLLM und ein Docker-Image zum Nachmessen

Laut Hugging Face lässt sich das Modell mit Transformers und vLLM ausprobieren. Laut AlphaSignal laufen außerdem SGLang und ein experimenteller Community-Ollama-Build in BF16 mit etwa 1,8 GB.

Zum Nachmessen enthält das GitHub-Repository Evaluationsskripte für zwei Inferenzwege: End-to-End von der Seite zu Markdown oder zweistufig mit Layouterkennung über PaddleX. Beide nutzen den Evaluationscode von OmniDocBench v1.6. Ein Docker-Image soll die Metriken reproduzierbar berechnen.

Das Feld kleiner Dokumentmodelle ist dicht besetzt. Dazu zählen etwa PaddleOCR-VL, dots.ocr und DeepSeek-OCR.