شیائومی از مدل متن‌باز Xiaomi-OCR-0 رونمایی کرد؛ استخراج هوشمند اطلاعات اسناد روی سیستم‌های معمولی

معرفی مدل

مدل Xiaomi-OCR-0 یک مدل بینایی‌زبان متن‌باز و تخصصی برای نویسه‌خوان نوری (OCR) با ۰٫۸ میلیارد پارامتر است که توسط شیائومی (تحت حساب کاربری xiaomi-research در پلتفرم Hugging Face) منتشر شده است. این مدل جمع‌وجور به‌تنهایی سه وظیفه اصلی را انجام می‌دهد که معمولاً به ابزارهای مجزا نیاز دارند: تجزیه کامل صفحات اسناد (تبدیل متن، جدول‌ها و فرمول‌ها به فرمت‌های Markdown، LaTeX و OTSL)، استخراج اطلاعات کلیدی (KIE) در قالب ساختاریافته JSON، و پاسخ‌گویی به پرسش‌های تصویری مبتنی بر متن.

وزن‌های مدل و گزارش فنی آن (arXiv:2609.36136) در اواخر سپتامبر ۲۰۲۶ منتشر شدند؛ سپس در ۳۰ اکتبر ۲۰۲۶ حساب رسمی شیائومی در شبکه اجتماعی X این مدل را معرفی کرد که این پست بیش از ۲۵۰۰ پسند دریافت کرد و این مدل به یکی از پربحث‌ترین مدل‌های کوچک OCR هفته تبدیل شد. این مدل تحت مجوز Apache-2.0 عرضه شده است، بنابراین استفاده تجاری از آن کاملاً مجاز است.

بررسی مشخصات کلیدی

• اندازه و حجم: حدود ۰٫۸ میلیارد پارامتر (حدود ۱٫۸ گیگابایت با دقت BF16) که بر پایه مدل Qwen3.5-0.8B-Base بازتنظیم‌شده است.
• داده‌های آموزشی: تقریباً ۱۷۰ میلیون نمونه آموزشی تخصصی OCR که با یک موتور داده‌سازی اختصاصی ایجاد شده است؛ این سامانه از سازوکار اجماع سه‌گانه در میان مدل‌های تخصصی OCR، ارزیابی مبتنی بر بازتولید تصویر و تولید داده‌های هدفمند بهره می‌برد.
• روش آموزش: تثبیت موقعیت متن با Q-Mask، پیش‌آموزش مداوم با محوریت OCR و در نهایت یاد‌گیری تقویتی چندوظیفه‌ای (Mix-RL) با پاداش‌های قابل تأیید.

نتایج در بنچمارک‌ها (طبق اعلام شیائومی)

آزمایش‌های مستقل کاربران در شبکه اجتماعی X نشان می‌دهد این مدل در پردازش رسیدها و فاکتورها موفق شده است ۲۳ سطر از ۲۳ سطر را به‌درستی بخواند و مدل LFM3-VL-2B را (با نتیجه ۲۱ از ۲۳ سطر) شکست دهد. البته باید توجه داشت که جدول امتیازات عمومی Real5 رقمی اندکی پایین‌تر از ادعای رسمی شیائومی نشان می‌دهد، بنابراین بهتر است ارقام منتشرشده در سرخط خبرها را گزارش رسمی خود توسعه‌دهنده در نظر گرفت.

اهمیت و کاربرد واقعی این دستاورد

بیشتر ابزارهای قدرتمند پردازش اسناد دارای بیش از ۱ میلیارد پارامتر هستند یا فقط از طریق رابط‌های ابری (API) ارائه می‌شوند. مدل Xiaomi-OCR-0 عملکردی بسیار نزدیک به برترین ابزارهای جهان و قابلیت استخراج دقیق اطلاعات را به لپ‌تاپ‌ها، کارت‌های گرافیک مصرفی (اجرا روی کارت ۸ گیگابایتی RTX 2070) و حتی دستگاه‌های لبه شبکه می‌آورد؛ ویژگی فوق‌العاده‌ای که برای پردازش خودکار فاکتورها، رسیدها و توسعه سامانه‌های محلی و کاملاً خصوصی هوش مصنوعی برای اسناد ایدئال است.

نحوه راه‌اندازی و استفاده

1. پلتفرم Hugging Face: دانلود بسته xiaomi-research/Xiaomi-OCR-0 و اجرای آن با کتابخانه Transformers (با استفاده از کلاس‌های AutoModelForImageTextToText و AutoProcessor). ترکیب پیشنهادی و تأییدشده شیائومی نسخه transformers==5.17.0 و torch==2.14.0 است.
2. ابزار Ollama (آزمایشی): اجرای دستور ollama pull longwayxu/xiaomi-ocr-0:bf16 و سپس استفاده از سرویس MCP مخزن یا نسخه تحت وب برای اعمال پیش‌پردازش‌ها و پرامپت‌های استاندارد.
3. اجرا با llama.cpp و قالب GGUF: استفاده از نسخه‌های کوانتایز‌شده ارائه‌شده توسط جامعه کاربری مانند prithivMLmods/Xiaomi-OCR-0-GGUF (همراه با لحاظ کردن پروجکتور تصویری mmproj).

نمونه پرامپت‌های پیشنهادی برای وظایف مختلف

• استخراج کل صفحه: «Extract all information from the main body of the document image and represent it in markdown format…»
• استخراج محدوده مشخص متنی: «Extract the text in the image.»
• پردازش جدول: «Parse the table in the image into OTSL.»
• فرمول‌های ریاضی: «Identify the formula in the image and represent it using LATEX format.»
• استخراج اطلاعات کلیدی (KIE): «Extract key information in the image» به‌همراه ساختار اعتبارسنجی (Schema) در قالب JSON.

بهترین سناریوهای کاربردی

• استخراج مستقیم و خودکار داده‌های رسیدها، فاکتورها و فرم‌ها در قالب JSON
• تبدیل فایل‌های اسکن‌شده PDF و تصاویر اسناد به فرمت Markdown جهت استفاده در سیستم‌های بازیابی اطلاعات (RAG)
• به‌کارگیری به‌عنوان ابزار OCR اختصاصی برای ایجنت‌های کدنویسی از طریق سرور MCP ارائه‌شده و قابلیت‌های داخلی ایجنت‌ها