Xiaomi hujjatlarni tanish uchun OCR-0 ochiq modelini chiqardi

Xiaomi kompaniyasi hujjatlardagi matnlarni aniqlash, kerakli maydonlarni ajratib olish va mazmuni bo'yicha savollarga javob beruvchi OCR-0 modelini e'lon qildi. Ushbu yangi ishlanmaning hajmi 0,8 milliard parametrni tashkil etadi va u ochiq manbali sifatida taqdim etilgan.

• Model Qwen3.5-0.8B-Base bazasida yaratilgan va 170 million ta misoldan iborat korpusda o'qitilgan.
• Matnlar, jadvallar, formulalarni qayta ishlash hamda natijani Markdown va LaTeX formatlarida chiqarishni qo'llab-quvvatlaydi.
• Real5-OmniDocBench va OmniDocBench v1.6 bençmarklarida mos ravishda 95,24 va 96,83 ball to'plagan.
• Kod va vaznlar Apache 2.0 litsenziyasi ostida ochiq holda taqdim etilgan.

Arxitektura va o'qitish jarayoni

OCR-0 modeli Qwen3.5-0.8B-Base bazasiga asoslangan bo'lib, 170 million ta misoldan iborat keng ko'lamli ma'lumotlar bazasida qo'shimcha o'qitilgan. Ushbu to'plamga butun sahifalar, hujjatlarning alohida parchalari va matnni tushunish bo'kicha topshiriqlar kiritilgan.

Dastlabki o'qitish bosqichidan so'ng, dasturchilar murakkab misollar ustida kuchaytirilgan o'qitish (reinforcement learning) usulidan foydalandilar. Bu yondashuv modelning aniqligi va samaradorligini sezilarli darajada oshirish imkonini berdi.

Imkoniyatlar va chiqish formatlari

Xiaomi-OCR-0 matnni shunchaki tanib qolmay, balki jadvallar va matematik formulalarni ham qayta ishlay oladi. Shuningdek, u sahifalarni o'qish tartibini to'g'ri saqlab qolgan holda natija berishga qodir.

Ma'lumotlarni JSON-sxemalar yordamida ajratib olish mumkin, natijalar esa matn uchun Markdown, formulalar uchun esa LaTeX formatida taqdim etiladi. Bu esa uni turli tizimlar bilan integratsiya qilishni qulaylashtiradi.

Test natijalari

Model Real5-OmniDocBench va OmniDocBench v1.6 bençmark testlarida mos ravishda 95,24 va 96,83 ball to'pladi. Beshta test bo'yicha o'rtacha ko'rsatkich 83,2 balni tashkil etdi.

Qiyoslash uchun, kattaroq hajmga ega Qwen3.5-2B modeli 80,9 ball natija ko'rsatgan. Bu OCR-0 ning kichikroq hajmda ham yuqori natija berishidan dalolat beradi.

Foydalanish imkoniyatlari va vositalar

Modelning kodi va vaznlari Apache 2.0 litsenziyasi ostida tarqatiladi. Repozitoriyda uni mahalliy (lokal) tarzda ishga tushirish uchun zarur vositalar mavjud.

Bundan tashqari, loyihaga MCP-server va sun'iy intellekt agentlariga ulanish uchun maxsus ko'nikma ham qo'shilgan. O'rnatmasdan turib sinab ko'rish uchun Hugging Face'da interaktiv demo ham ishga tushirilgan.