xiaomi-research/Xiaomi-OCR-0

Что это?

Ключевые возможности

• 01Преобразует страницы документов в Markdown, представляя таблицы в HTML, а формулы — в LaTeX.
• 02Извлекает из документов запрошенные поля в формате JSON.
• 03Отвечает на вопросы по изображениям документов с акцентом на OCR.
• 04Предоставляет MCP-сервис и Agent Skill для локальной интеграции с агентами.
• 05Предлагает локальную демоверсию в браузере для разбора страниц, областей, KIE, VQA и PDF.
• 06Работает на SGLang или vLLM; экспериментально поддерживается Ollama.

Сценарии использования

• Преобразование сканированных или цифровых PDF в Markdown для последующей обработки.
• Извлечение структурированных полей, например данных из счетов или форм, в формате JSON.
• Вопросы о тексте, диаграммах и таблицах на изображениях документов.
• Запуск локального OCR-сервиса, к которому AI-агент обращается через MCP.

Быстрый старт

1. 1

   Клонируйте репозиторий

   git clone https://github.com/SeerRay-Lab/Xiaomi-OCR-0.git
2. 2

   Запустите inference-сервер vLLM (оставьте его работающим)

   vllm serve SeerRay-Lab/Xiaomi-OCR-0 --host 127.0.0.1 --port 8000 --max-model-len 16384
3. 3

   В каталоге репозитория создайте виртуальное окружение и установите зависимости

   python3 -m venv .venv source .venv/bin/activate python -m pip install -r requirements.txt
4. 4

   Запустите браузерную демоверсию и откройте http://127.0.0.1:8787

   python demo/server.py --port 8787

Что важно знать

• !Требуются совместимый GPU и отдельно установленная среда выполнения SGLang или vLLM с аппаратно-зависимыми требованиями.
• !Для разбора областей нужны дополнительные зависимости PaddlePaddle и PaddleX.
• !Вариант с Ollama экспериментальный, и его точность не проверялась на бенчмарках.

В подборках

Темы

Частые вопросы

Что такое Xiaomi-OCR-0?

Универсальная vision-language-модель на 0,8 млрд параметров для разбора документов, извлечения ключевой информации и OCR-вопросов по изображениям. Xiaomi-OCR-0 — vision-language-модель на 0,8 млрд параметров, созданная на базе Qwen3.5-0.8B и обученная на корпусе с акцентом на OCR. Она преобразует изображения страниц документов в структурированный Markdown: таблицы — в HTML, формулы — в LaTeX. Модель также извлекает запрошенные поля в формате JSON и отвечает на вопросы о тексте на изображениях документов.

Xiaomi-OCR-0 можно использовать бесплатно? Какая у него лицензия?

Xiaomi-OCR-0 распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.

Xiaomi-OCR-0 всё ещё поддерживается?

Активно поддерживается. Последний коммит в Xiaomi-OCR-0 — 29 окт. 2026 г..

Для чего можно использовать Xiaomi-OCR-0?

Преобразование сканированных или цифровых PDF в Markdown для последующей обработки. Извлечение структурированных полей, например данных из счетов или форм, в формате JSON. Вопросы о тексте, диаграммах и таблицах на изображениях документов. Запуск локального OCR-сервиса, к которому AI-агент обращается через MCP.

Как установить Xiaomi-OCR-0?

Клонируйте репозиторий: git clone https://github.com/SeerRay-Lab/Xiaomi-OCR-0.git Запустите inference-сервер vLLM (оставьте его работающим): vllm serve SeerRay-Lab/Xiaomi-OCR-0 --host 127.0.0.1 --port 8000 --max-model-len 16384 В каталоге репозитория создайте виртуальное окружение и установите зависимости: python3 -m venv .venv source .venv/bin/activate python -m pip install -r requirements.txt Запустите браузерную демоверсию и откройте http://127.0.0.1:8787: python demo/server.py --port 8787

Где скачать Xiaomi-OCR-0?

Исходный код и инструкции по установке — на GitHub: https://github.com/xiaomi-research/Xiaomi-OCR-0