Xiaomi-OCR-0 — локально запускаемая мультимодальная модель для распознавания текста и разбора документов. Она подойдёт пользователям и разработчикам, которым нужно обрабатывать PDF и изображения страниц, извлекать данные или задавать вопросы по содержимому документов. Результатом могут быть структурированный Markdown, JSON с запрошенными полями или ответ на вопрос.
Модель работает как с целой страницей, так и с выделенными областями документа; фрагменты можно обрабатывать параллельно. Например, страница с таблицей и формулой может превратиться в Markdown с HTML-таблицей и записью формулы в LaTeX. Для извлечения полей можно указать, какие именно данные нужны, а режим вопросов поможет получить ответ по тексту и содержимому изображения.
- Разбирает страницы в структурированный Markdown.
- Сохраняет таблицы в HTML, а формулы — в LaTeX.
- Извлекает запрошенные поля в JSON.
- Отвечает на вопросы по документам.
- Обрабатывает целые страницы и выделенные области.
- Поддерживает пакетную обработку.
Попробовать модель можно через локальную браузерную демонстрацию; она поддерживает английский и китайский языки интерфейса. Для подключения к агентским сценариям предусмотрены Agent Skill и локальный MCP-сервис, а для инференса можно выбрать SGLang или vLLM. Браузерная демонстрация с ними запускается и без Agent Skill или MCP-сервера.
Для ручной установки нужен Python 3.10 или новее. Обработка целых страниц не требует дополнительных компонентов обнаружения областей, а для режима областей понадобятся PaddlePaddle, PaddleX и веса PP-DocLayoutV3; доступность такой среды зависит от платформы. Если документ содержит рукописный текст, каллиграфию или нестандартную компоновку, рекомендуется разбирать страницу целиком: неверные границы областей могут лишить модель контекста. Совместимость среды инференса тоже стоит проверить заранее, особенно на macOS и оборудовании без NVIDIA. Сведения о цене в досье не установлены.
Блог