💡 一句话总结：小米的 Xiaomi-OCR-0 用一个 0.8B 的小模型同时做文档解析和 OCR 问答，在 OmniDocBench v1.6 拿到 96.83、OCR 问答五榜均值 83.2------它真正的护城河不是模型，而是一座 1.7 亿样本的自动化数据引擎：8 个专家模型投票定标签、把标注渲染回图像做视觉验货、再围着模型翻车的样子定向造数据。
导语：小模型的 OCR 之痛，痛在数据不在模型
做文档 AI 的朋友大概都有类似的体感：这两年 OCR 专用小模型卷得飞起，0.9B 的 PaddleOCR-VL、1.2B 的 TeleOCR、0.8B 的 OvisOCR2......参数一个比一个小，榜单一个比一个高。但真想把它们用到业务里，很快会撞上两堵墙。
第一堵墙：解析和问答是两种活。解析要求「一比一还原」------一页纸进，结构化 Markdown 出，一个字都不能丢；问答要求「按需取舍」------用户问发票号是几，你把整页背下来没用，得挑出那个字段。目标函数根本不一样，混在一起训很容易互相打架。
第二堵墙更致命：靠谱的监督太贵了。文本、表格、公式的标注各有各的验法，模型生成的伪标签错得悄无声息------一张表格的合并单元格标错了，肉眼扫一遍根本看不出来。
小米这篇技术报告给出的答案很「务实的暴力」：模型保持 0.8B 不动，把力气全花在数据上。想自己看原文？资源在这：
想自己动手试？
- 📄 论文：arXiv 2609.36136
- 🧩 模型主页：HuggingFace Space · Xiaomi-OCR-0
这篇论文到底想解决什么问题？
一句话版研究问题：一个 0.8B 的小模型，能不能同时把「整页还原」和「按题作答」都做到第一梯队？
先解释一下「OCR 中心理解」这个说法。论文里它涵盖两类任务：OCR-VQA（拿着文档图回答问题，比如 DocVQA、ChartQA 这些榜单）和 KIE（关键信息抽取，比如从证件照里抽字段出 JSON）。这两类任务和文档解析共享同一个底座需求------认字准、版面清------但输出形态完全不同。
作者先做了一个实验，结果有点反直觉：在解析能力还没练成的时候，过早混入理解类数据，解析成绩反而会掉。这就好比让一个刚学会抄菜谱的学徒同时练「看图报菜价」，两头都练不好。什么时候混才对？论文的答案是：等解析基础打牢之后，同样的理解数据就变成正增益了。这个「迁移反转」的发现，是全文最有意思的结论之一，后面细说。
先说数据，再说训练。
它的思路是什么？
Xiaomi-OCR-0 从 Qwen3.5-0.8B 出发，全套功夫分两块：一座数据引擎，一套三段式训练配方。
🏭 第一块：数据引擎------1.7 亿样本怎么保证不掺假
这是全文的精华。数据引擎三件套：自动标注、样本挖掘、定向合成。
第一件：8 个专家投票定标签。 单个模型的伪标签不可信，那就上八个：PaddleOCR-VL-1.6、MinerU2.5-Pro、GLM-OCR、dots.ocr、HunyuanOCR-1.5、TeleOCR、OvisOCR2、Qianfan-OCR------清一色当下榜单上的狠角色。每个区域（一段文本、一张表、一个公式）让 8 个专家各自独立标注，然后算一致性：文本比编辑距离、表格比 TEDS（表格还原相似度，越接近 1 越好）、公式比 CDM（字符检测匹配率）。
一致性高的（≥0.9）直接收录；低的进下一关。这里有个细节值得学：作者选的是「池内平均一致性最高的 3 个专家」组成评审组，取评审组里「和另外两人最像的那个」的输出当伪标签------而不是简单投票。用他们的话说，共识分衡量的是「专家们吵不吵架」，不是「标签正确的概率」，所以宁可保守。
第二件：渲染回图像验货。 这是我觉得最聪明的一招。当专家们吵起来了怎么办？光比较输出的字符串，看不出表格拓扑对不对、公式结构错没错。小米的做法是：把候选标注重新渲染成图片（文本和表格渲染成 HTML，公式渲染成 LaTeX），再让一个池外的裁判模型（Qwen3.5-122B）把渲染图和原图放在一起看------哪里对不上，一眼便知。提修改建议、应用修正、再渲染、再看，最多三轮；还不收敛就带上完整的历史诊断记录再来一遍「批评-修正-验证」。修完还得重新过一遍 8 专家共识，达标才收。
打个比方：这就像验钞不能只看编号，得对着光看水印------把「文本答案」还原成「视觉样子」再验，结构性的假货就藏不住了。
第三件：围着失败案例定向造数据。 数据引擎还带着一个挖掘器：给每个样本算三个信号------专家一致性、模型自一致性（同一个模型多推理几次，答案稳不稳）、语义聚类归属。「专家都认同、但模型自己答得不稳」的样本就是硬骨头，把它们诊断归类出失败模式后，合成管线就对着这些模式定向生成变体：保留难点（合并单元格、嵌套公式、复杂版式），变换其他一切。另一路「覆盖驱动」合成则专门补稀有素材------书法、生僻字体、低资源字符组合。每批合成数据都要过「排除验证源组的小规模训练 + 冻结验证集回归测试」这一关，确认有效才进正餐。
🛠️ 第二块：三段式渐进训练
数据有了，训练分三步走：
- 第一步：Q-Mask 文本锚定。 沿用 Q-Mask 框架，让模型在预测文字的同时预测文字的空间掩码------把「字」和「它在哪」绑死。这一步给后面所有任务打底：消融显示它带来 +0.30 的 Overall，公式识别提升最明显（+0.49）。
- 第二步：多任务继续预训练（CPT）。 用 1.7 亿语料把 region 级识别（裁剪区域进、文字出）和整页解析（整页图进、Markdown 出）等多种任务统一进自回归格式。注意整页样本在这里就混进来了------它们是解析基础的「地基增强」。
- 第三步：Mix-RL。 监督训练只会逐 token 模仿，惩罚不了「结构错了、字段漏了、阅读顺序乱了」这种文档级问题。所以在挖掘出的硬样本上跑强化学习：DAPO 风格的 GRPO（一种按组内相对优势更新策略的 RL 算法），奖励按任务路由------表格看 TEDS、公式看 CDM、整页用 MGAM 对齐后按各模态占比加权、KIE 先验 JSON 合法性再算字段匹配、问答用 ANLS。格式不对直接零分，没有商量。
三步的分工很清晰：Q-Mask 练「认得准」，CPT 练「见得多」，Mix-RL 练「错不起」。
效果到底怎么样？
先看解析主榜（配外挂版面检测 PP-DocLayoutV3 做两阶段推理，0.8B 参数不含检测器）：
- OmniDocBench v1.6：96.83------与 1.2B 的 TeleOCR（96.87）几乎持平，压过同尺寸的 OvisOCR2（96.58）；公式 CDM 98.50 是全场最高，PubTabNet 表格 TEDS 92.27 也是表内第一。
- Real5-OmniDocBench（五种采集条件：扫描、弯曲、屏摄、光照不均、倾斜）：95.24，五个子项全部第一，对 PaddleOCR-VL-1.6 领先 2.05 分，弯曲页面拉开到 2.98。
- Wild-OmniDocBench（真实场景翻拍）：87.94，略低于 TeleOCR 的 88.53，但阅读顺序编辑距离 0.1931 是全场最低。
再看理解侧，这才是「统一」二字的价值所在：
- OCR-VQA 五榜均值 83.2 （DocVQA 93.1 / InfoVQA 75.1 / ChartQA 84.6 / OCRBench 84.6 / TextVQA 78.6）------比底座 Qwen3.5-0.8B 高出 10.3 分，比 1B 的 HunyuanOCR-1.5 高 6.7 分，超过自家 2B 的 Qwen3.5-2B，距 4B 的 Qwen3.5-4B 只差 1.7 分。0.8B 打 2B，这就是数据引擎的购买力。
- KIE 内部基准 59.09%：机票信息抽取 73.00%（Qwen3.5-2B 只有 43.00%），证件卡类普遍 78% 上下；但发票类 65.00% 输给 2B 的 77.00%，地址类双双不到 46%。
三个比榜单更值钱的发现
🔄 发现一：理解数据的增益会「反转」
论文拿不同训练阶段做了消融：解析数据只喂 9% 时，混入理解数据 Overall 掉 0.33；喂到 29%（且掺入整页样本）后再混，反过来涨 0.64；50% 时依然为正。同一份理解数据，从毒药变成了补品------分界线就是解析基础的成熟度。给做训练配方的人的直接启示：小模型先死磕解析，别急着上多任务。
📏 发现二：理解比解析更吃参数
用同样的任务数据分别训 4B 专职教师和 0.8B 学生：解析上教师只领先 0.15 分（96.97 vs 96.83），理解上却领先 4.9 分（88.1 vs 83.2）。也就是说，解析这件事 0.8B 差不多到顶了，但理解能力还想往上走就得堆参数------这解释了为什么各家 1B 以下的 OCR 模型榜单都集中在解析，问答榜还是大模型的天下。
⚖️ 发现三：蒸馏和 RL 各有各的好
作者还对比了多教师 on-policy 蒸馏（MOPD）和 Mix-RL：MOPD 算力省、解析收敛快，较早的算力预算就到 96.74；Mix-RL 训得更久，但双能力峰值都更高（96.83 / 83.2）。一句话：赶工期用蒸馏，追上限用 RL。
能拿来做什么？
几个马上能落地的场景：
- 企业文档入库管线：扫描件、手机翻拍、屏摄混合的真实语料正是 Real5/Wild 榜单测的东西，0.8B 的尺寸意味着单卡甚至边缘设备都能跑解析。
- 证件 / 票据结构化：KIE 成绩显示证件卡类字段抽取已经能打，机票行程、银行卡这类强 schema 场景收益最明显。
- 数据工程方法论移植：就算你不用这个模型，「专家共识打分 + 渲染回图像验货 + 失败驱动合成」这套伪标签生产线，可以原样搬去任何带结构输出的标注任务------表格抽取、UI 理解、代码转录都适用。
泼冷水时间
说完好的，几盆冷水也得端上来：
- 「统一」的成色要看推理配置。主榜成绩是「外挂 PP-DocLayoutV3 检测版面 + 0.8B 逐区域识别」的两阶段结果，0.8B 参数不含检测器。虽然训练里有整页端到端解析，但榜单没把它作为主配置------「一个模型包打天下」和「一套系统包打天下」是两回事。
- KIE 基准是 in-house 的。1655 张内部图片，外部无法复现；发票类还输给底座 2B 模型，地址类不到 46%------结构化抽取远没到「毕业」的程度。
- 共识 ≠ 正确。8 个专家如果共享了相近的训练数据谱系，一致性会系统性高估标签质量；论文自己也承认共识分不是校准过的正确率。
- 算力账单没公开。1.7 亿样本的八专家推理、逐轮渲染校验、合成管线的成本一个字没提。「省人工」是真的，「省算力」未必------对小团队来说，这套引擎的复刻门槛其实不低。
- 文本编辑距离与阅读顺序两项，OvisOCR2 反而更优；「全面第一」的印象要打点折扣。
理性看待
Xiaomi-OCR-0 的价值不在「又一个小 OCR 模型刷新榜单」------96.83 对 96.87 的差距约等于没有。它真正值得记下的是两件事：一是用实验把「先解析、后理解」的课程顺序钉实了，给所有做小型多能力模型的人省了试错成本；二是把「渲染回图像做视觉验货」这个思路做成了可规模化的产线，让 1.7 亿样本的伪标签敢拿来训练。
往远看，理解侧 4.9 分的容量鸿沟还立在那儿------0.8B 的解析接近封顶，但问答和抽取的天花板仍要靠数据质量和训练策略一点点去够。这批工作的下一个分水岭，大概率还是数据：谁的引擎能更便宜地产出「验过货」的监督，谁的小模型就更能打。
（数据与结论均来自论文原文及附录，解读部分为作者观点，欢迎交流。）