0.8B 干三件事：解析、抽取、问答
Xiaomi-OCR-0 是一个统一的 0.8B 视觉语言模型，基座是 Qwen3.5-0.8B，在约 1.7 亿条以 OCR 为中心的语料上训练，用了 Q-Mask 文本锚定、继续预训练和混合任务强化学习三段流程。它把三件事收进同一个模型：文档解析（输出结构化 Markdown，表格转 HTML、公式转 LaTeX）、关键信息抽取（按字段输出 JSON）和围绕文字的视觉问答。
成绩单值得看一眼：Real5-OmniDocBench 95.24 排第一，OmniDocBench v1.6 拿 96.83、Wild-OmniDocBench 87.94 均列第二，公式识别 UniMER-Test 97.84，表格 PubTabNet 的 TEDS 92.27。五项 OCR 类 VQA 平均 83.2 分，超过 Qwen3.5-2B 的 80.9——而它只有 0.8B。前三个文档解析榜单都走两阶段方法，流程在 evaluation_pipeline 里，看分也要看流程。
三种起法：SGLang、vLLM、Ollama
先拿代码，Python 3.10 以上，然后三选一装运行时。
git clone https://github.com/SeerRay-Lab/Xiaomi-OCR-0.git
cd Xiaomi-OCR-0SGLang 一路：
python -m sglang.launch_server --model-path SeerRay-Lab/Xiaomi-OCR-0 --host 127.0.0.1 --port 8000 --context-length 16384vLLM 一路，效果等价，换参数名：
vllm serve SeerRay-Lab/Xiaomi-OCR-0 --host 127.0.0.1 --port 8000 --max-model-len 16384起来之后另开一个终端跑浏览器 Demo，它默认把请求发到 127.0.0.1:8000 的兼容 OpenAI 接口：
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python demo/server.py --port 8787打开 127.0.0.1:8787，界面中英双语，整页解析、区域解析、关键信息抽取、视觉问答和 PDF 都在同一页。想跳过运行时：社区 BF16 GGUF 包约 1.8GB，装好 Ollama 后 ollama pull longwayxu/xiaomi-ocr-0:bf16 即可，官方标注实验性。
选整页还是选区域，取决于你的文档有没有稳定版式——这不是参数问题，是场景问题。
MCP 与 Agent Skill：把它变成工具而不是玩具
仓库里 skills/xiaomi-ocr/ 装的是一个 Agent Skill 加 MCP 服务，负责提示词拼装、PDF 与图片预处理、可选的区域检测、并行裁剪推理和输出拼装。不用自己写胶水代码，注册上去 Agent 就能直接调它读文档；手动配置在 INSTALL.md，examples 里有样例。
更省事的路径是让 Agent 自己装。官方给了一句话口令：让 Agent 读取并执行仓库里的 SKILL.md，它会按授权流程建 Python 环境、装依赖、下权重、配运行时、注册 MCP 服务器。代价是权重和版面模型下载量不小，区域模式还要额外装 PaddlePaddle、PaddleX 和 PP-DocLayoutV3。
最后一个建议来自官方文档写的取舍：打印体、版式规整的文档用区域解析，能并发处理，速度快；手写、书法、古籍和不规则版面必须整页解析，区域切错就丢上下文，怎么拼都补不回来。这个判断比调参数重要得多。
粤公网安备44130202001736号