シャオミが8億パラメータのOCRモデルをオープンソース化、複雑な表の読み取りや情報抽出、質問への回答も可能

動察 Beating AI 速報、XiaomiがXiaomi-OCR-0をオープンソース化しました。わずか8億パラメータで、3種類のタスクをこなせます。文書内の文字、複雑な表、数式を編集可能なコンテンツに変換する。請求書、領収書、証明書から指定フィールドを抽出し、JSONを出力する。さらに文書やグラフ内の情報に基づいて質問に回答でき、もはや画像内の文字を書き写すだけではありません。

モデルはAlibabaのQwen3.5-0.8Bをベースに継続学習され、約1.7億件のOCRおよび文書理解サンプルを使用しています。データ品質を高めるため、Xiaomiは複数のOCRモデルに認識結果を相互照合させました。複雑な表や数式に遭遇した際は、認識結果を再び画像にレンダリングし、元画像と比較して、位置ずれや文字抜けなどの問題を特定します。学習も段階的に行われ、まず文字認識とレイアウト解析を鍛え、その後、情報抽出や視覚的質問応答などのタスクを追加します。

Xiaomiが公開した5つのOCR視覚的質問応答テストで、Xiaomi-OCR-0は平均スコア83.2を記録し、パラメータ数が2.5倍のQwen3.5-2B（80.9）を上回り、4Bモデルの84.9に迫りました。スキャン、紙の湾曲、画面の撮り直しなどの干扰を模擬したReal5文書解析テストでは、外部レイアウト検出器と組み合わせて95.24点を獲得しました。

現在、モデルの重み、推論コード、MCPサービス、Agent Skillはすべてオープンソース化されています。開発者はこれをAI Agentに組み込み、スクリーンショット、PDF、領収書を読み取り、他のプログラムに直接渡せるデータを抽出できます。