Xiaomi कंपनी ने Xiaomi-OCR-0 मॉडल के जारी होने की घोषणा की है, जो दस्तावेज़ों को समझने के लिए एक हल्का मॉडल है। कंपनी ने 30 अक्टूबर को बताया कि इस मॉडल के वजन और इन्फेरेंस कोड Hugging Face और GitHub प्लेटफॉर्म पर उपलब्ध हैं।
इस मॉडल में 0.8 बिलियन पैरामीटर हैं और इसे एक ही सिस्टम के भीतर तीन प्रकार के कार्यों को करने के लिए डिज़ाइन किया गया है: दस्तावेज़ पार्सिंग, प्रमुख जानकारी निकालना और OCR पर विज़ुअल प्रश्नों का उत्तर देना।
पार्सिंग कार्यक्षमता में मुख्य पाठ, तालिकाओं और गणितीय सूत्रों की पहचान करना शामिल है, जो पढ़ने के क्रम में संरचित परिणाम Markdown और LaTeX के देशी प्रारूपों के समर्थन के साथ आउटपुट करता है। प्रमुख जानकारी निकालने के लिए, मॉडल चालान, रसीदें, पहचान पत्र और व्यावसायिक फॉर्म पर ध्यान केंद्रित करता है, अनुरोधित फ़ील्ड ढूंढता है और स्वचालित वर्कफ़्लो के लिए JSON प्रारूप में परिणाम प्रदान करता है।
विज़ुअल प्रश्नों के उत्तर केवल प्रतिलेखन से परे जाते हैं, जिससे क्षेत्रों के बीच खोज करना, संख्यात्मक गणना करना और दस्तावेज़ों और ग्राफ़ के आधार पर तर्क करना संभव हो जाता है।
प्रशिक्षण और प्रशिक्षण पद्धति
Xiaomi का दावा है कि यह मॉडल Qwen3.5-0.8B-Base मॉडल पर बनाया गया है और इसे लगभग 170 मिलियन OCR और दस्तावेज़ नमूनों पर प्रशिक्षित किया गया था। डेटा लेबलिंग कई विशेषज्ञ OCR मॉडलों के आम सहमति तक पहुंचने द्वारा फ़िल्टर की गई थी, जिन्होंने टेक्स्ट, तालिका और सूत्र क्षेत्रों पर आपसी सत्यापन और मतदान किया।
जटिल तालिकाओं और सूत्रों के साथ काम करते समय, टीम ने 'भविष्यवाणी, पुन: रेंडरिंग और तुलना' लूप का उपयोग किया: उम्मीदवार परिणामों को वापस छवियों में प्रस्तुत किया गया और विस्थापित पंक्तियों या लापता वर्णों का पता लगाने के लिए पिक्सेल और संरचना स्तर पर मूल के साथ तुलना की गई। सिंथेटिक जटिल मामलों में बहुभाषी पाठ, हस्तलिखित लिखावट, स्क्रीन मोइरे प्रभाव और विकृत प्रकाश व्यवस्था शामिल थे।
प्रशिक्षण प्रक्रिया तीन चरणों में हुई: पहले दृश्य क्षेत्रों को पाठ टोकन के साथ संरेखित करने के लिए पाठ स्थिरीकरण, फिर दर्जनों अरब टोकन पर OCR का निरंतर पूर्व-प्रशिक्षण, और अंत में स्ट्रक्चरल एडिटिंग डिस्टेंस और तालिका मिलान स्कोर जैसे सत्यापन योग्य पुरस्कारों के साथ मिश्रित कार्यों के लिए सुदृढीकरण शिक्षण।
परीक्षण परिणाम
OmniDocBench v1.6 बेंचमार्क पर, मॉडल ने 96.83 का परिणाम दिखाया, जिसने समग्र रूप से दूसरा स्थान प्राप्त किया, जो लीडर से केवल 0.04 अंक पीछे था, और एक बिलियन से कम पैरामीटर वाले मॉडलों में पहला बन गया। Real5-OmniDocBench टेस्ट पर, जो स्कैनिंग, मुड़े हुए कागज, स्क्रीनशॉट, प्रकाश परिवर्तन और झुके हुए फ्रेम का अनुकरण करता है, मॉडल ने 95.24 अंक प्राप्त किए। Wild-OmniDocBench पर प्रदर्शन 87.94 रहा।
मॉडल UniMER-Test के मानक सूत्र परीक्षण पर 97.84 और तालिका संरचना मूल्यांकन के लिए PubTabNet पर 92.27 प्राप्त करता है। DocVQA, InfoVQA, ChartQA, OCRBench और TextVQA के परिणामों का औसत करने पर, यह 83.2 अंक प्राप्त करता है, जो HunyuanOCR-1.5 के 76.5 और 8B MiniCPM-V-4.5 के 82.6 से बेहतर है, हालांकि यह Qwen3.5-4B के 84.9 से पीछे है। यह ध्यान रखना महत्वपूर्ण है कि सभी प्रस्तुत आंकड़े Xiaomi के अपने डेटा हैं।
Xiaomi ने बताया कि यह तकनीक पहले से ही उनके फोन पर सुपर शियाओएआई सहायक में एकीकृत है, जहां यह सीधे स्क्रीन से क्यूआर कोड, कतार संख्या, बिल विवरण और मीटिंग समय निकाल सकता है। मॉडल के वजन के अलावा, Xiaomi डेवलपर्स को ब्राउज़र में एक डेमो संस्करण, MCP सेवा और एजेंट स्किल टूलकिट प्रदान करता है।
