Xiaomi-OCR-0: 0,8B модель зору-мови для розпізнавання документів

TL;DR

• •Модель Xiaomi-OCR-0 має 0,8B параметрів
• •Спеціалізована на розпізнаванні документів та OCR
• •Перевершує більші моделі на OmniDocBench та OCR-VQA
• •Доступна на Hugging Face: SeerRay-Lab/Xiaomi-OCR-0
• •Ваги моделі не публічнодоступні, лише архітектура

---

Як це змінить ваш ринок?

Для виробничих компаній, які обробляють великі обсяги паперових документів, такий тип моделей може зменшити залежність від комерційних OCR-API. Однак без відкритих ваг та підтримки це залишається дослідним інструментом, а не готовим рішенням для автоматизації бізнес-процесів.

> Визначення:

Виконно-мова модель (Vision-Language Model, VLM) — тип штучного інтелекту, який одночасно обробляє зображення та текст, щоб розуміти їхню взаємозв’язок, наприклад, витягувати дані з сканованих документів або відповідати на питання про їх вміст.

Для кого це і за яких умов

0,8B: ноутбук з 16GB RAM, без IT-команди, 30 хв на запуск інференсу через Hugging Face Transformers. Потрібні навички роботи з PyTorch та Hugging Face. Не для комерційного використання без ваг.

Альтернативи

| | Tesseract OCR | Google Document AI | Azure Form Recognizer | | Ціна | Безкоштовно | $1.50/1000 сторінок | $1.00/1000 сторінок | | Де працює | Локально, без інтернету | Хмара Google | Хмара Azure | | Мін. вимоги | CPU | Інтернет + обліковий запис GCP | Інтернет + обліковий запис Azure | | Ключова різниця | Базовий OCR, без розуміння контексту | AI-платформа з попередньо натренованими моделями | Інтеграція з Microsoft экосистемою |

---