Xiaomi выпустила открытую модель OCR Xiaomi-OCR-0 размером 0,8 млрд параметров. Она умеет не только считывать текст со сканов, но и разбирать таблицы, математические формулы, порядок чтения страниц и отвечать на вопросы по содержимому документа — набор функций, который обычно превращает «распознать PDF» в отдельный мини-проект.
О релизе сообщает Habr / Новости. Код и веса модели опубликованы по лицензии Apache 2.0, поэтому её можно запускать локально и встраивать в коммерческие продукты без привычной для многих AI-проектов лицензии с мелким шрифтом.
OCR-0 выдаёт распознанный документ в Markdown, а математические выражения — в LaTeX. Для извлечения конкретных полей предусмотрены JSON-схемы: разработчик может описать нужную структуру и получать, например, номер договора, дату, сумму, реквизиты или позиции таблицы в машиночитаемом виде. Это приближает модель не к классическому OCR-движку, который просто возвращает поток символов, а к инструменту для извлечения данных из документов.
В основе Xiaomi-OCR-0 лежит базовая Qwen3.5-0.8B. Xiaomi дообучила её на корпусе из 170 млн примеров, куда вошли целые страницы, отдельные документные фрагменты и задания на понимание текста. После предварительного обучения команда использовала обучение с подкреплением на сложных примерах. Размер в 0,8 млрд параметров здесь важен сам по себе: модель не выглядит как ещё один сервис, ради которого придётся бронировать дорогой GPU-сервер.
OCR перестаёт быть только распознаванием символов
Для корпоративных сценариев ключевая часть релиза — понимание структуры. Скан счёта или анкеты редко ценен целиком: бизнесу нужны поля в учётной системе, таблица с позициями, корректно выделенные разделы и возможность проверить документ вопросом на естественном языке. Если модель сохраняет порядок чтения и различает текст, таблицы и формулы, число правил, регулярных выражений и ручных исключений в такой интеграции может заметно сократиться.
Это не означает, что любая бумажная архивная папка внезапно станет аккуратным JSON. Качество результата по-прежнему будет зависеть от языка, качества скана, сложной вёрстки, печатей, рукописных пометок и специфики конкретного шаблона. Но открытая поставка даёт командам возможность проверять такие ограничения на собственных документах, а не строить закупку вокруг красивого демо на одном идеальном инвойсе.
По данным разработчиков, OCR-0 получила 95,24 балла в Real5-OmniDocBench и 96,83 балла в OmniDocBench v1.6. Средний результат по пяти тестам составил 83,2 балла. Для сравнения Xiaomi приводит показатель 80,9 у более крупной Qwen3.5-2B. Бенчмарки не заменяют проверку на российских договорах, бухгалтерских формах или технической документации, но результат показывает, что для задач document understanding размер модели уже не всегда главный аргумент.
В репозитории предусмотрены инструменты локального запуска, MCP-сервер и скилл для подключения к AI-агентам. Последний пункт особенно показателен: OCR всё чаще рассматривают не как изолированный сервис, а как один из инструментов агента, который может получить файл, извлечь данные, сопоставить их с внутренней системой и подготовить следующий шаг. В таком сценарии особенно важны JSON-схемы и воспроизводимый формат ответа, а не только высокий процент правильно распознанных букв.
Что с этим делать разработчикам и бизнесу
Для российских команд открытая модель OCR интересна прежде всего как вариант для контуров, где документы нельзя или нежелательно отправлять во внешний API: финансовые сервисы, HR, юридические отделы, промышленность, медицина и внутренний документооборот. Apache 2.0 упрощает юридическую сторону внедрения, а относительно компактный размер расширяет выбор инфраструктуры. Однако перед пилотом придётся проверить требования к железу, скорость обработки, качество на кириллице и реальных шаблонах, а также защиту исходных файлов и результатов.
Продуктовым командам стоит смотреть на OCR-0 не как на замену всему документообороту, а как на строительный блок. Она может быть полезна в загрузке первички, поиске по архивам, разборе технических PDF, проверке заполнения форм и подготовке черновиков карточек в CRM или ERP. Надёжный процесс всё равно потребует валидации критичных полей, журналирования и маршрута на ручную проверку: ошибка в сумме счёта стоит дороже, чем впечатляющий результат на тестовом наборе.
Релиз Xiaomi добавляет веса тренду на компактные специализированные модели, которые можно развернуть рядом с данными и подключить к прикладному процессу. Главный вопрос теперь не в том, умеет ли модель читать документ, а в том, сможет ли она стабильно извлекать нужные поля из конкретного корпоративного хаоса — со сканами, разными шаблонами, плохими печатями и неизбежными исключениями.
