Xiaomi, 800 milyon parametreli OCR modelini açık kaynak olarak yayınladı; karmaşık tabloları okuyabiliyor, bilgi çıkarabiliyor ve soruları yanıtlayabiliyor.

动察 Beating AI hızlı haber: Xiaomi, yalnızca 800 milyon parametreye sahip Xiaomi-OCR-0'ı açık kaynak olarak yayınladı. Model üç tür görevi yerine getirebiliyor: belgelerdeki metinleri, karmaşık tabloları ve matematiksel formülleri düzenlenebilir içeriğe dönüştürmek; faturalar, makbuzlar ve kimlik belgelerinden belirtilen alanları çıkarıp JSON olarak vermek; ayrıca belge ve grafiklerdeki bilgilere dayanarak soruları yanıtlamak. Artık sadece görseldeki yazıları kopyalamakla kalmıyor.

Model, Alibaba'nın Qwen3.5-0.8B'si üzerine eğitimle geliştirildi ve yaklaşık 170 milyon OCR ile belge anlama örneği kullanıldı. Veri kalitesini artırmak için Xiaomi, birden fazla OCR modelinin tanıma sonuçlarını çapraz kontrol etmesini sağladı. Karmaşık tablolar ve formüllerle karşılaşıldığında, tanıma sonuçları yeniden görüntüye dönüştürülüp orijinal görüntüyle karşılaştırılarak hizalama hataları ve eksik karakterler gibi sorunlar tespit edildi. Eğitim de aşamalı olarak yürütüldü: önce metin tanıma ve sayfa düzeni analizi iyi hale getirildi, ardından bilgi çıkarımı ve görsel soru-cevap gibi görevler eklendi.

Xiaomi'nin yayınladığı beş OCR görsel soru-cevap testinde Xiaomi-OCR-0 ortalama 83,2 puan aldı; bu, parametre sayısı kendisinin 2,5 katı olan Qwen3.5-2B'yi (80,9) geride bıraktı ve 4B modellerin 84,9 puanına yaklaştı. Tarama simülasyonu, kağıt bükülmesi ve ekran yeniden çekimi gibi girişimleri taklit eden Real5 belge ayrıştırma testinde, harici sayfa düzeni algılayıcısıyla birlikte 95,24 puan elde etti.

Şu anda model ağırlıkları, çıkarım kodu, MCP hizmeti ve Agent Skill açık kaynak olarak yayınlanmış durumda. Geliştiriciler bunu bir AI Agent'a bağlayarak ekran görüntülerini, PDF'leri ve makbuzları okuyabilir ve doğrudan diğer programlara aktarılabilecek verileri çıkarabilir.