Che cosa ha reso pubblico Xiaomi
Xiaomi ha annunciato l apertura del modello Xiaomi-OCR-0, un sistema da 0,8 miliardi di parametri pensato per unire tre funzioni distinte: la lettura strutturata di documenti, l estrazione di campi chiave e il cosiddetto OCR visivo, cioè la possibilità di rispondere a domande su testi, tabelle e grafici. Secondo quanto riportato da IT之家, i pesi del modello e il codice di inferenza sono stati pubblicati contemporaneamente su Hugging Face e su GitHub, con l aggiunta di una demo interattiva nel browser, un servizio MCP e un pacchetto di strumenti Agent Skill per integrare il modello in flussi di lavoro già esistenti.
La scelta di un formato leggero non è marginale: la dimensione ridotta rende il modello più semplice da eseguire e da adattare rispetto ai sistemi multimodali di grandi dimensioni citati nel confronto. La stessa fonte precisa che il modello deriva dal base Qwen3.5-0.8B-Base e che l addestramento ha utilizzato circa 170 milioni di campioni tra OCR e comprensione documentale.
Le tre funzioni dichiarate e la pipeline di addestramento
Sul fronte del parsing, il modello riconosce testo, tabelle e formule matematiche e restituisce l ordine di lettura in formati come Markdown e LaTeX. Per l estrazione di informazioni, invece, individua campi specifici in fatture, ricevute, carte e moduli aziendali, producendo output strutturati come JSON. La terza funzione, l OCR visivo, consente di interrogare il contenuto di un documento andando oltre la semplice trascrizione, con richieste che possono richiedere ricerca tra aree diverse, calcoli o inferenze semantiche.
Il materiale della fonte descrive anche alcuni passaggi tecnici del training. Per ridurre gli errori di etichettatura, Xiaomi ha usato un meccanismo di consenso tra esperti OCR che confronta e vota le annotazioni ad alta confidenza. Su tabelle e formule complesse è stato introdotto un controllo circolare: il risultato ipotizzato viene renderizzato di nuovo come immagine e confrontato con la regione originale, in modo da individuare righe o colonne spostate e simboli mancanti. Sono stati inoltre generati esempi difficili per coprire scansioni, curvatura della carta, riflessi, fotografie inclinate, scrittura manuale e materiali storici.
I numeri dei benchmark e i limiti della lettura
Secondo i risultati diffusi da Xiaomi, Xiaomi-OCR-0 ottiene 95,24 punti sul benchmark Real5-OmniDocBench, che simula cinque condizioni di acquisizione reale, e 87,94 su Wild-OmniDocBench. Sul benchmark generale OmniDocBench v1.6 arriva a 96,83 punti, secondo posto assoluto a 0,04 punti dalla vetta e primo posto tra i modelli sotto il miliardo di parametri. Nei test specifici segnala 97,84 su UniMER-Test per le formule e 92,27 su PubTabNet per la struttura delle tabelle.
Sul fronte della comprensione documentale, la media dei cinque benchmark DocVQA, InfoVQA, ChartQA, OCRBench e TextVQA è indicata in 83,2 punti, valore che Xiaomi confronta con HunyuanOCR-1.5, TokenVL-2B e TextHawk2, oltre che con modelli multimodali generalisti. Va però sottolineato che si tratta di dati forniti dall azienda e non di verifiche indipendenti riportate nel materiale: la comparabilità dipende dalle configurazioni di test, che la fonte non dettaglia. Restano quindi da confermare sia la tenuta su documenti reali diversi dal campione sia il comportamento effettivo nelle integrazioni di terzi.
Dove viene già usato e cosa manca
La fonte indica un impiego già attivo nell assistente vocale e visivo Super Xiaomi: con una pressione breve sul tasto AI, uno swipe a tre dita o un comando vocale, il sistema estrae dallo schermo codici di ritiro, numeri di coda e informazioni temporanee. Lo stesso meccanismo viene descritto per la lettura di transazioni e dati di esercenti, utile per la gestione automatica delle spese, e per la compilazione di campi da fatture e documenti di identità.
Non sono invece indicati nel materiale i termini della licenza, i requisiti hardware per l esecuzione, i costi di integrazione o eventuali limitazioni d uso commerciale. Questi elementi sono decisivi per valutare l effettiva apertura del progetto, che al momento può essere giudicata solo sulla base di quanto annunciato e dei riferimenti pubblicati.
