Xiaomi kompaniyasi hujjatlarni tushunish uchun yengil model boʻlgan Xiaomi-OCR-0 modelini eʼlon qildi. Kompaniya 30-oktabrda maʼlum qilganidek, ushbu modelning ogʻirligi va inferens kodi Hugging Face va GitHub platformalarida mavjud.
Model 0.8 milliard parametrga ega va bitta tizim doirasida uch turdagi vazifalarni bajarish uchun moʻljallangan: hujjatlarni parslash, asosiy maʼlumotlarni ajratib olish va OCR boʻyicha vizual savollarga javob berish.
Parslash funksiyasi asosiy matn, jadvallar va matematik formulalarni tanib olishni oʻz ichiga oladi, natijalarni oʻqish tartibida, Markdown va LaTeX ning tabiiy formatlarini qoʻllab-quvvatlab, tuzilgan holda chiqaradi. Asosiy maʼlumotlarni ajratib olish uchun model fakturalar, cheklar, shaxsni tasdiqlovchi hujjatlar va biznes formalariga qaratilgan boʻlib, soʻralgan maydonlarni topib, avtomatlashtirilgan ish jarayonlari uchun JSON formatida natijani taqdim etadi.
Vizual savollarga javoblar oddiy transkripsiya chegarasidan tashqariga chiqib, mintaqalar oraligʻida qidirish, sonli hisoblashlar oʻtkazish va hujjatlar hamda grafiklar asosida xulosa chiqarish imkonini beradi.
Oʻqitish va mashq qilish metodologiyasi
Xiaomi modelning Qwen3.5-0.8B-Base modeli asosida qurilgan va taxminan 170 millionta OCR va hujjat namunasida oʻqitilganini taʼkidlaydi. Maʼlumot belgilari bir nechta ekspert OCR modellarining kelishuviga erishish orqali filtrlangan, ular oʻzaro tekshirib koʻrish va matn, jadvallar va formulalar hududlari boʻyicha ovoz berish orqali amalga oshirilgan.
Murakkab jadvallar va formulalar bilan ishlashda jamoa «bashorat qilish, qayta renderlash va solishtirish» siklini qoʻlladi: nomzod natijalar yana tasvirlarga renderlandi va piksel va tuzilish darajasida asl nusxaga solishtirildi, bu siljigan qatorlar yoki yoʻqolgan belgilar aniqlanishiga yordam berdi. Sintehtik murakkab holatlar koʻp tilli matn, tarixiy yozma, ekran moare effekti va buzilgan yoritishni oʻz ichiga oldi.
Oʻqitish jarayoni uch bosqichda oʻtdi: avvalo, vizual hududlarni matnli tokenlar bilan moslashtirish uchun matnli mustahkamlash, keyin oʻnlab milliardta tokenlarda OCR ning davom etgan dastlabki oʻqitilishi va oxirida strukturali tahrir qilish masofasi va jadval mosligi ballari kabi tekshiriladigan mukofotlar bilan aralash vazifalar uchun kuchaytirish bilan oʻqitish.
Sinov natijalari
OmniDocBench v1.6 benchmarkida model 96.83 natija koʻrsatdi, umumiy hisobda ikkinchi oʻrinni egalladi, liderdan faqat 0.04 ball pastroq boʻldi va bir milliarddan kam parametrli modellar orasida birinchi oʻringa chiqdi. Skanerlash, burilgan qogʻoz, ekran skrinshotlari, yoritish oʻzgarishlari va egilgan kadrlar tasvirlangan Real5-OmniDocBench testida model 95.24 ball toʻpladi. Wild-OmniDocBenchdagi koʻrsatkichlar 87.94 ni tashkil etdi.
Model UniMER-Test ning standart formulalar testida 97.84, jadval tuzilmasini baholash uchun PubTabNet da 92.27 ga erishadi. DocVQA, InfoVQA, ChartQA, OCRBench va TextVQA boʻyicha natijalarni oʻrtacha olganda, u 83.2 ball toʻpladi, bu HunyuanOCR-1.5 ning 76.5 va 8B MiniCPM-V-4.5 ning 82.6 balliga ustunlik beradi, garchi Qwen3.5-4B ning 84.9 balliga qaramay kichikroq boʻlsa ham. Shuni taʼkidlash kerakki, keltirilgan barcha raqamlar Xiaomi ning oʻz maʼlumotlaridir.
Xiaomi bu texnologiya allaqachon telefonlaridagi Super XiaoAi yordamchisiga integratsiya qilinganligini maʼlum qilmoqda, u unda ekrandan bevosita qabul qilish kodlarini, navbat raqamlarini, hisob detallarini va uchrashuv vaqtlarini ajratib olish qobiliyatiga ega. Model ogʻirligidan tashqari, Xiaomi ishlab chiquvchilarga brauzerda demo versiyasini, MCP xizmatini va Agent Skill vositalari toʻplamini taqdim etadi.
