小众软件，5分钟本地跑通图片识别的 OCR-Xiaomi-OCR-0 ！

你有没有过这种时刻：手头一张发票、一份合同、一页扫描件，只想把上面的字变成能编辑的文字。过去你多半得打开某个在线 OCR 网页，把图片传上去，等它识别，再担心数据是不是被存到了别人的服务器。

2026年10月30 日，小米海外官方账号发布了一款叫 Xiaomi-OCR-0 的开源模型。它只有 0.8B（8 亿）参数——放到现在动辄几百 B 的大模型里，小得像把卡车塞进了自行车筐。但正是这个小身板，在真实拍摄文档的基准 Real5-OmniDocBench 上拿下 95.24 分、排名第一。

更关键的是：它 能在你自己的电脑上跑，断网可用，数据不出门。本篇就带你用 Ollama，把这套 OCR 在本地跑通。

01

PART

它是什么：一个模型，干三种活

WHAT · 0.8B 多模态文档理解

Xiaomi-OCR-0 是小米开源的 0.8B 轻量级多模态文档理解模型，底座是 Qwen3.5-0.8B-Base，在约 1.7 亿条 OCR 与文档样本上训练而成。它的特别之处不在于「大」，而在于「全」——把过去要拼好几个专用模型才能干的事，塞进了一个模型里。

三种能力，一次打包

① 文档解析（Document Parsing）：识别段落、阅读顺序、表格和公式，输出 Markdown / LaTeX 结构化结果，表格直接变 Markdown 表格。

② 关键信息抽取（KIE）：针对发票、卡证、表单，按指定字段直接输出 JSON。金额、商户、日期、编号可无缝进记账、报销、归档系统。

③ OCR 视觉问答（VQA）：不止转写文字，还能追问——「这两张表数字差多少」「合同付款日期是哪天」，它真算，不是念原文。

成绩很能打

Real5-OmniDocBench 专治「纸弯了、屏幕反光、灯打歪了、手机斜着拍」这些真实糟心场景。95.24 分说明它在手机随手拍的条件下，保版面的能力相当稳。这套能力已经落地到小米手机「超级小爱」里——你手机上的取餐码、快递码、票据识别，背后可能就是它。

02

PART

为什么选 Ollama：把「装环境」砍成两件事

WHY · 新手友好

对新手来说，跑一个多模态 OCR 模型，传统路子通常是：装 Python 环境 → 装 PyTorch → 下权重 → 调 transformers 参数。每一步都可能踩坑，没个把小时下不来。

Ollama 把这些全部打包成了 两件事：

官方 Hugging Face模型权重： https://huggingface.co/xiaomi-research/Xiaomi-OCR-0 官方 GitHub项目代码： https://github.com/xiaomi-research/Xiaomi-OCR-0

创新君使用的社区发布的 richardyoung/xiaomi-ocr-0:latest 同时包含 语言模型和视觉投影器，下载体积约 1.0GB，普通笔记本也能扛起来。

补一句重要的实话：小米官方在 Ollama 上推荐的社区包是 longwayxu/xiaomi-ocr-0:bf16，体积约 1.8GB，精度做过对齐验证；而

richardyoung/xiaomi-ocr-0:latest 约 1.0GB，更轻但属于社区量化转换版。两个都能跑，差别主要在体积和精度可信度上——下文部署步骤以你素材里给的 richardyoung 包为准，文末会一并说明怎么选。

03

PART

部署前环境清单：对照一下再开干

CHECKLIST · 准备

核心提醒：8GB 内存是门槛。实测纯 CPU 跑峰值内存约 4.2GB，8G 内存机器没问题；4G 的老爷机就别勉强了。

04

PART

Ollama 三步跑通：核心就两条命令

TUTORIAL · 实操

安装 Ollama

到 Ollama 官方下载页获取对应系统的安装包，安装完成后确认服务正在运行：

ollama --version

能正常输出版本号，说明装好了。

拉取模型

执行下面这条命令，等下载完成（约 1.0GB / 1.8GB 视包而定）：

ollama pull richardyoung/xiaomi-ocr-0:latest

拉取完成后，用 ollama list 确认模型名 richardyoung/xiaomi-ocr-0:latest 出现在列表里。

也可以使用官方推荐的

ollama pull longwayxu/xiaomi-ocr-0:bf16

配 MCP 或浏览器 Demo

模型拉下来只是第一步。真正让它能「看图识字」的，是官方配套的 MCP 服务 或 浏览器 Demo——它们会自动应用对齐检查所用的图像预处理、非思考提示词与解码参数，你不用自己写包装脚本。Demo 默认跑在本地 8787 端口，整页解析、KIE、VQA 共用一个页面。

也有更快捷的方法，创新君开发一个本地的html文件可以把图片拖进去自动识别为文字。

下载地址 ：

零售创新公众号 回复 本地图片文字识别

或访问创新君的PC网站

通过网盘分享的文件：xiaomi-ocr.html
链接: https://pan.baidu.com/s/10lxSVA4HqLdYWE-8yPjPWA?pwd=p92v 提取码: p92v

安装完xiaomi-ocr-0后，下载html文件，双击就能用，不需要起服务、不装依赖、不联网。

选一张或多张图片 → 点「开始识别并生成 .md」→ 右上角「下载 .md」。默认走整页文档解析（Markdown），表格转 OTSL、公式转 LaTeX、按阅读顺序排版。

顺手加的实用功能

• 拖拽 / 多选 / Ctrl+V 直接粘截图，缩略图列表可逐张删

• 六种模式：Markdown 文档 / 纯文字 / 表格 OTSL / 公式 LaTeX / JSON 字段抽取 / 图中文字问答

• 连接自检：启动就查 /api/tags，确认模型真的拉下来了，绿灯才让跑

• 多图自动合并成一个 .md，每张带文件名标题

• 原文 / 预览切换、一键复制、大图缩放、进度条、可停止

• 「另存为…」按钮（原生保存对话框），绕开部分浏览器对 blob:null 下载的限制

///

LAST

写在最后

SUMMARY · 小模型抢活儿

回到开头那句话——OCR 这条赛道，正被卷进「人人可本地跑」的时代。大厂在卷千亿参数的通用大模型抢头条，小米反手把一个 0.8B 的垂直小工具开源了。大模型抢流量，小模型抢 活儿；而抢活儿的，恰恰是你我每天真在干的事：把一张图，变成能用的字。

你最想拿它识别什么？老照片上的字、合同扫描件、还是真实票据？欢迎在评论区聊聊。

项目地址：小米官方仓库 Xiaomi-OCR-0（Xiaomi Research / 魔搭社区均可搜到）；Ollama 社区包 longwayxu/xiaomi-ocr-0:bf16（约 1.8GB，精度已对齐）或 richardyoung/xiaomi-ocr-0:latest（约 1.0GB，社区量化版）。

若有所得，欢迎点赞、在看、转发，下回再叙。

学习资料见知识星球。

以上就是今天要分享的技巧，你学会了吗？若有什么问题，欢迎在下方留言。

快来试试吧，小琥 my21ke007。获取 1000个免费 Excel模板福利​​​​！

更多技巧， www.excelbook.cn

欢迎 加入 零售创新 知识星球，知识星球主要以数据分析、报告分享、数据工具讨论为主；