Xiaomi-OCR-0：文書画像を構造化データに変換

1. 01

   タスクとサンプルを選択してください

   提供された例または機密性のない文書画像から始めます。外部ワークベンチでドキュメントの解析、フィールド抽出、またはページに関する質問を選択します。

2. 02

   文章だけでなく構造もチェックする

   読み取り順序、表のセル、数式を元のページと比較します。フィールド抽出の場合は、戻り値が実際にドキュメント内に表示されることを確認してください。

オンにすると外部ワークベンチ ページにアクセス可能になります 2026-11-02. これはページの可用性のみをチェックし、推論の成功はチェックしません。スペースがスリープ状態になったり、リクエストをキューに入れたり、失敗した場合は、ローカルのデモ手順を使用してください。 ローカル展開

1. 01

   文書の解析

   文書ページからテキストと読み上げ順序を復元します。リポジトリのツールは、ページ全体の解析と、通常の印刷レイアウト用の領域ベースのパイプラインをサポートしています。

2. 02

   表と式

   表の構造と数式を認識します。提供されたワークフローでは、OTSL テーブル出力は Markdown 内で HTML に変換されます。数式は LaTeX を使用します。

3. 03

   重要な情報の抽出

   日付や合計などの特定のドキュメントフィールドを要求し、KIE ワークフローを通じて構造化された JSON を受け取ります。抽出された値を下流で使用する前に検証します。

4. 04

   文書による質疑応答

   表示されているページに基づいて質問してください。 OCR に重点を置いた VQA は、忠実な転写とは別のタスクであり、誤った解釈が生じる可能性があります。

モデルと完全なアプリケーションには異なる責任があります。 PDF ラスタライズ、オプションのレイアウト検出、クロップ順序付け、テーブル変換は、周囲のパイプラインに属します。ベア モデルの呼び出しは、同じ組み立てられたドキュメントを返すと想定すべきではありません。

リポジトリには Python 3.10 以降が必要です。ハードウェアおよび Qwen3_5ForConditionalGeneration アーキテクチャと互換性のある Python バージョン、CUDA/PyTorch ビルド、および vLLM リリースを選択します。ドライバーの要件については、リンクされた vLLM インストール ガイドに従ってください。 0.8B パラメータ数だけでは VRAM の合計使用量を指定するものではありません。画像の解像度、コンテキスト、同時実行性も重要です。

git clone https://github.com/xiaomi-research/Xiaomi-OCR-0.git
cd Xiaomi-OCR-0
python3 -m venv .venv-inference
source .venv-inference/bin/activate
python -m pip install --upgrade pip
python -m pip install vllm

vllm serve SeerRay-Lab/Xiaomi-OCR-0 \
  --host 127.0.0.1 --port 8000 --max-model-len 16384

コマンドは、プロジェクトのローカル デモ手順で使用されるチェックポイント識別子である SeerRay-Lab/Xiaomi-OCR-0 を保持します。公式モデルページは xiaomi-research の下で解決されるようになりました。モデルがロードされるまで待ち、サーバーを 127.0.0.1:8000 で実行し続けます。

cd Xiaomi-OCR-0
python3 -m venv .venv-demo
source .venv-demo/bin/activate
python -m pip install -r requirements.txt
python demo/server.py --port 8787

2 番目のターミナルで、コマンドを実行する前に、複製されたリポジトリを含む親ディレクトリに移動します。次に、ブラウザで http://127.0.0.1:8787 を開きます。ページ全体モードで提供されたサンプルから始めます。別個のデモ環境では、その依存関係が推論ランタイムから切り離されます。

ollama pull longwayxu/xiaomi-ocr-0:bf16

# Run from the cloned Xiaomi-OCR-0 directory
python3 -m venv .venv-demo
source .venv-demo/bin/activate
python -m pip install -r requirements.txt
export XIAOMI_OCR_BACKEND=ollama
export XIAOMI_OCR_MODEL=longwayxu/xiaomi-ocr-0:bf16
export XIAOMI_OCR_LOCAL_URL=http://127.0.0.1:11434/v1
python demo/server.py --port 8787

# In the Demo environment, after installing a compatible PaddlePaddle build
python -m pip install -r requirements-paddlex.txt
export XIAOMI_OCR_LAYOUT_DEVICE=cpu
python demo/server.py --port 8787

これらの例は、公開されている手順に対してチェックされており、ここでは GPU デプロイメントとして実行されていません。ローカルの精度、スループット、またはハードウェア メモリの結果は保証されません。モデルの読み込み、アーキテクチャのサポート、またはレイアウトの依存関係が失敗する場合は、プロジェクトのインストール ガイドを参照してください。

Xiaomi-OCR-0 の 3 つの解析スコアは、レイアウト検出と領域推論を含む 2 段階のパイプラインを使用します。これらは、単一のページ全体のモデル呼び出しのスコアとして表示されるべきではありません。前処理とスコアリングの設定については、評価パイプラインを参照してください。

同じベンチマークとバージョン内の結果を比較します。選択したテーブルでは、レイテンシ、展開コスト、または GGUF/Ollama の精度が確立されていません。モデルを選択する前に、独自のページを使用して、読み取り順序、表、数式、およびフィールド抽出を評価します。

チェックしたソース: 2026-11-02