Xiaomi-OCR-0: Kleines 0,8B-Modell liest Dokumente offen unter Apache 2.0

Xiaomi hat mit Xiaomi-OCR-0 ein quelloffenes Dokumentenmodell mit nur 0,8 Milliarden Parametern veröffentlicht. Es wandelt Seiten in Markdown oder LaTeX um, zieht Felder aus Rechnungen und beantwortet Fragen zu Dokumenten. Laut Xiaomi schlägt es in Tests teils deutlich größere Modelle – unabhängige Prüfungen fehlen noch.

Modell-Releases Selbst ausprobieren 30. Okt. 2026 3 Min. Lesezeit Quelle: Google News (BR)

Worum es geht

Xiaomi hat Xiaomi-OCR-0 als offenes Modell zur Erkennung und Analyse von Dokumenten veröffentlicht. OCR steht für Optical Character Recognition, also die Umwandlung von Bildern oder Scans in maschinenlesbaren Text. Gewichte und Code stehen auf Hugging Face und GitHub unter der freizügigen Apache-2.0-Lizenz, die auch kommerzielle Nutzung erlaubt. Laut dem russischen Portal Kod.ru wurden die Gewichte bereits am 30. September zusammen mit einem technischen Bericht hochgeladen. Die offizielle Vorstellung kam später; Enthusiasten haben nach Angaben des Portals schon Versionen für den lokalen Betrieb vorbereitet.

Das Modell ist klein: 0,8 Milliarden Parameter (grob die Stellschrauben, die ein Modell beim Training lernt). Es basiert auf Qwen3.5-0.8B-Base von Alibaba und wurde mit etwa 170 Millionen Beispielen für Text- und Dokumentenerkennung trainiert.

Was das Modell kann

Ein einziges Modell deckt drei Aufgaben ab:

Dokumente zerlegen (Parsing): Text, Tabellen und Formeln werden in Lesereihenfolge erkannt und als Markdown oder LaTeX (Schreibweise für mathematische Formeln) ausgegeben.
Felder extrahieren: Aus Rechnungen, Kassenbons, Ausweisen und Formularen holt es gewünschte Angaben und liefert sie als JSON, ein strukturiertes Datenformat.
Fragen beantworten: Zu Dokumenten und Diagrammen kann es Fragen beantworten, auch mit Berechnungen, statt nur Text abzuschreiben.

Training und Robustheit

Um komplexe Tabellen und Formeln genauer zu erkennen, prüfte Xiaomi laut Kod.ru die Beschriftungen der Trainingsdaten so: Das Ergebnis des Parsings wurde wieder in ein Bild gerendert und mit dem Original verglichen. Zusätzlich wurde das Modell gezielt auf schwierige Fälle nachtrainiert: mehrsprachige Texte, alte Handschriften, Bildschirmfotos mit Moiré-Effekt und Dokumentfotos bei schlechtem Licht.

Benchmarks (Herstellerangaben)

Test	Ergebnis
OmniDocBench v1.6	96,83 Punkte, Platz 2 gesamt, Platz 1 unter 1B-Modellen
Real5-OmniDocBench (gescannt, geknickt, vom Bildschirm oder schräg fotografiert)	95,24 Punkte, Platz 1
UniMER-Test (Formeln)	97,84
PubTabNet (Tabellen)	92,27
Chronicles-OCR (alte Handschriften, Kalligrafie)	73 Punkte, gegenüber 72 bei ByteDances geschlossenem Seed 2.0 Pro
Fünf Dokumenten-Frage-Tests, Durchschnitt	83,2 (Qwen3.5-2B: 80,9; MiniCPM-V-4.5 mit 8B: 82,6)

Kod.ru betont, dass es für diese Ergebnisse noch keine unabhängigen Überprüfungen gibt.

Einsatz bei Xiaomi und Integration

Xiaomi nutzt die Technik bereits im Assistenten „Super Xiaoai" auf eigenen Smartphones. Er erkennt auf dem Bildschirm Abhol- und Paketcodes, Beträge und Händler auf Belegen für die Ausgabenverwaltung sowie Zeit und Ort in Nachrichten, um Kalendereinträge anzulegen. Für Entwickler gibt es eine Browser-Demo, einen MCP-Server (Schnittstelle, über die KI-Agenten Werkzeuge ansprechen) und ein Skill-Set, um das Modell in eigene Dienste und Agenten einzubinden. Im Sommer hatte Xiaomi laut Kod.ru außerdem den kostenlosen Coding-Agenten MiMo Code veröffentlicht.

Was du zum Ausprobieren brauchst

Mit 0,8 Milliarden Parametern ist das Modell sehr genügsam. In 4-bit-Quantisierung (platzsparende Zahlendarstellung) reichen grob 2 GB VRAM; auch mit 16-Bit-Gewichten sollte eine Einsteigerkarte mit 4 GB genügen. Der Arbeitsspeicher sollte mindestens 8 GB betragen, für Gewichte und Bilder sind wenige GB Speicherplatz nötig. Der Betrieb auf CPU oder Apple-Silicon-Macs ist wegen der Größe realistisch, wenn auch langsamer; die Browser-Demo funktioniert ohne eigene Hardware. Genaue Werte nennt die Quelle nicht, das sind Schätzungen.

Einordnung

Für Anwender, die Rechnungen, Belege oder wissenschaftliche Seiten lokal und datenschutzfreundlich verarbeiten wollen, ist ein so kleines, frei lizenziertes Modell attraktiv. Wenn die Zahlen halten, wäre es für Dokumenten-OCR deutlich effizienter als große allgemeine Vision-Modelle. Kritisch bleibt: Alle Benchmarks stammen von Xiaomi selbst, der Vergleich mit Seed 2.0 Pro bezieht sich nur auf einen Test (73 zu 72), und wie gut es bei deutschen Dokumenten funktioniert, ist aus den Quellen nicht ersichtlich. Die anderen Quellen (Wörterbuch-Stift, MIUI 14) betreffen andere Xiaomi-Produkte und gehören nicht zu dieser Geschichte.

Quellen

Google News (BR) pasqualepillitteri.it
goodereader.com goodereader.com
kod.ru kod.ru
notebookcheck.net notebookcheck.net

#xiaomi#ocr#open-source#dokumente#qwen

Originalquelle lesen

Selbst ausprobieren: Xiaomi-OCR-0

Schritt für Schritt erklärt, auch ohne Vorkenntnisse – auf deinem Rechner oder kostenlos im Browser.

Was kann ich damit machen?

Xiaomi-OCR-0 liest Dokumente aus Bildern und Scans und gibt sie als Markdown oder LaTeX aus, inklusive Tabellen und Formeln. Außerdem kann es Felder aus Rechnungen, Belegen, Ausweisen und Formularen als JSON ziehen und Fragen zu Dokumenten und Diagrammen beantworten. Das Modell ist mit 0,8 Milliarden Parametern sehr klein und läuft lokal auf bescheidener Hardware. Laut Xiaomi liegt es in Dokument-Benchmarks auf Augenhöhe mit viel größeren Modellen, auch bei Fotos mit schlechtem Licht oder schrägem Winkel. Als allgemeiner Chatbot ist es nicht gedacht. Unabhängige Tests stehen noch aus.

Für wen lohnt es sich?

Interessant für alle, die Belege, Rechnungen, PDFs oder wissenschaftliche Seiten lokal digitalisieren wollen, sowie für Entwickler, die eine schlanke OCR-Komponente suchen. Weniger sinnvoll, wenn du einen Chatbot oder zuverlässige Ergebnisse für deutsche Spezialdokumente ohne eigenen Test brauchst.

Ideen: Was du damit anstellen kannst

Belege digitalisieren

Fotografiere Kassenbons und lass Händler, Datum und Summe als JSON ausgeben. Das Ergebnis kannst du in eine Tabelle für die Steuererklärung übernehmen.

Wissenschaftliche Paper umwandeln

Gib Seiten eines PDFs als Bild ein und erhalte Markdown mit Tabellen und LaTeX-Formeln. So lassen sich Inhalte in Notizprogramme übernehmen.

Alte Dokumente lesen

Scanne historische Handschriften oder Kalligrafie und lasse sie transkribieren. Das Modell wurde laut Xiaomi gezielt darauf trainiert.

Fragen an Diagramme

Lade ein Diagramm hoch und frage nach Summen oder Unterschieden. Das Modell rechnet, statt nur abzuschreiben.

Agenten-Pipeline

Binde den MCP-Server in einen eigenen KI-Agenten ein, der eingehende Rechnungen automatisch erfasst.

Größe0,9 Mrd. Parameter

Download0,5 GB (bei 100 MBit/s ca. 1 Min.)

Lizenzapache-2.0

ArtBild + Text (versteht Bilder)

Hugging Facexiaomi-research/Xiaomi-OCR-0

Was dein Rechner braucht

Grafikkarte (NVIDIA) mind. 2 GB VRAMfast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)

Mac (Apple Silicon M1–M5) ab 8 GB gemeinsamer SpeicherGrafik und Prozessor teilen sich den Speicher – etwa 70 % davon kann das Modell nutzen

Nur Prozessor (ohne Grafikkarte) Ohne Grafikkarte flüssig nutzbargeschätzt 83 Wörter pro Sekunde auf einem aktuellen Desktop-PC. Dafür mindestens 8 GB Arbeitsspeicher.

Speicherplatz ca. 2,5 GB freiModell-Download plus Programme

Google Colab läuft kostenlosGratis-GPU Tesla T4 mit 15 GB reicht

Welche Variante passt zu mir?

Viele Modelle gibt es in mehreren Größen oder „Quantisierungen“. Das sind komprimierte Fassungen: kleiner und schneller, dafür minimal ungenauer. Faustregel: Nimm die größte Variante, deren Speicherbedarf in deinen Grafikspeicher (VRAM) passt. Die Skripte unten wählen das automatisch für dich aus.

Variante	Download	Braucht ca.	Passende Grafikkarten
`Q3_K_M`	0,5 GB	2 GB	fast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)
`Q4_K_M` Standard	0,5 GB	2 GB	fast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)
`Q5_K_M`	0,6 GB	2 GB	fast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)
`Q6_K`	0,6 GB	2 GB	fast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)
`BF16`	1,5 GB	3 GB	fast jede Grafikkarte ab 4 GB (z. B. GTX 1650, RTX 3050)

Es gibt ein einziges 0,8B-Modell. Auf einer kleinen GPU oder einem Mac genügt eine 4-bit-Variante (Community-Versionen für lokalen Betrieb existieren laut Kod.ru), mit etwas mehr Speicher gewinnst du mit 8-bit oder voller Genauigkeit etwas Qualität.

Etwa 2–3 GB VRAM reichen in 4-bit (Schätzung).
Auch CPU-Betrieb mit 8 GB RAM ist wegen der geringen Größe möglich, aber langsamer.
Hochaufgelöste Seitenbilder kosten zusätzlichen Speicher.
Eine Browser-Demo von Xiaomi funktioniert ganz ohne eigene Hardware.

Wie finde ich heraus, was mein Rechner hat?

Windows: Strg + Umschalt + Esc drücken → Task-Manager → Reiter Leistung → links GPU anklicken. Unten steht Dedizierter GPU-Speicher (das ist dein VRAM). Den Arbeitsspeicher findest du unter Arbeitsspeicher.
Mac: Apfel-Menü oben links → Über diesen Mac. Dort stehen Chip (z. B. M2) und Speicher (z. B. 16 GB). Bei Apple-Chips teilen sich Grafik und Prozessor diesen Speicher.
Linux: Im Terminal nvidia-smi eingeben (zeigt Grafikkarte und Speicher) und free -h für den Arbeitsspeicher.

Anleitung

Google Colab (im Browser, ohne Installation)

Google Colab ist ein kostenloser Dienst von Google: Du bekommst für ein paar Stunden einen Rechner mit Grafikkarte im Browser. Du brauchst nur ein Google-Konto. Für dieses Modell: läuft kostenlos – Gratis-GPU Tesla T4 mit 15 GB reicht.

Notebook herunterladen. Klick auf den Knopf und speichere die Datei.
colab.ipynb herunterladen
Colab öffnen. Geh auf colab.research.google.com und melde dich mit deinem Google-Konto an.
Notebook hochladen. Im Fenster, das erscheint, links auf Hochladen klicken (oder oben Datei → Notebook hochladen) und die Datei colab.ipynb auswählen.
Grafikkarte einschalten. Oben im Menü Laufzeit → Laufzeittyp ändern → bei Hardwarebeschleuniger T4-GPU auswählen → Speichern.
Alles starten. Laufzeit → Alle ausführen (Tastenkürzel Strg + F9). Kommt die Warnung „Dieses Notebook wurde nicht von Google erstellt“, auf Trotzdem ausführen klicken.
Warten. Die Zellen laufen nacheinander durch. Links neben jeder Zelle erscheint ein grüner Haken, wenn sie fertig ist. Installation und Download dauern hier etwa 4 Minuten.
Ausprobieren. Das Ergebnis steht unter der letzten Zelle. Um etwas anderes zu testen, den Text in der Zelle ändern und mit Shift + Enter erneut ausführen. Die letzte Zelle startet einen richtigen Chat mit Eingabefeld.
Aufräumen. Wenn du fertig bist: Laufzeit → Sitzung beenden. Das schont dein kostenloses Kontingent.

Gut zu wissen: Die Gratis-GPU ist begrenzt (meist einige Stunden am Tag). Nach rund 90 Minuten ohne Aktivität trennt Colab die Verbindung, dann alles neu starten.

Windows 10 / 11

Am einfachsten geht es mit Ollama, einem kostenlosen Programm, das KI-Modelle mit einem Befehl startet.

Grafikkartentreiber aktualisieren (nur bei NVIDIA-Karten): Die NVIDIA-App bzw. den aktuellen Treiber installieren. AMD-Karten: aktuellen Adrenalin-Treiber nutzen.
Ollama installieren. Auf ollama.com/download/windows die Datei OllamaSetup.exe herunterladen, doppelklicken und Install wählen. Danach sitzt rechts unten in der Taskleiste ein kleines Lama-Symbol.
Eingabefenster öffnen. Windows-Taste drücken, PowerShell eintippen und Enter drücken. Es öffnet sich ein blaues oder schwarzes Fenster.
Modell starten. Diesen Befehl kopieren (Knopf „Kopieren“), mit Rechtsklick ins Fenster einfügen und Enter drücken:
```
ollama run hf.co/prithivMLmods/Xiaomi-OCR-0-GGUF:Q4_K_M
```
Beim ersten Mal lädt Ollama das Modell herunter (0,5 GB (bei 100 MBit/s ca. 1 Min.)). Danach geht es sofort.
Losschreiben. Sobald >>> Send a message erscheint, deine Frage eintippen und Enter drücken. Mit /bye beendest du den Chat.

Zu wenig Speicher? Nimm eine kleinere Variante aus der Tabelle oben, z. B. ollama run hf.co/prithivMLmods/Xiaomi-OCR-0-GGUF:Q3_K_M.

Lieber automatisch? Skript, das die passende Variante selbst auswählt

Beide Dateien in denselben Ordner herunterladen: try_windows.ps1 demo.py
Den Ordner im Explorer öffnen, mit Rechtsklick auf eine freie Stelle In Terminal öffnen wählen.

Diesen Befehl einfügen und Enter drücken:

powershell -ExecutionPolicy Bypass -File try_windows.ps1

Das Skript installiert Ollama bei Bedarf über winget, misst deinen Grafikspeicher und lädt die passende Variante.

macOS

Ideal sind Macs mit Apple-Chip (M1 bis M5). Ältere Intel-Macs sind sehr langsam.

Ollama installieren. Auf ollama.com/download/mac herunterladen, die Datei öffnen und Ollama in den Ordner Programme ziehen. Ollama einmal starten – oben in der Menüleiste erscheint ein Lama.
Terminal öffnen. Cmd + Leertaste drücken, Terminal eintippen, Enter.
Modell starten. Befehl einfügen (Cmd + V) und Enter:
```
ollama run hf.co/prithivMLmods/Xiaomi-OCR-0-GGUF:Q4_K_M
```
Beim ersten Mal wird das Modell heruntergeladen (0,5 GB (bei 100 MBit/s ca. 1 Min.)).
Losschreiben. Frage eintippen, Enter. Mit /bye beenden.

Automatisch die passende Variante wählen

try_mac.sh

cd ~/Downloads
bash try_mac.sh

Linux

Grafikkarte prüfen. nvidia-smi sollte deine Karte anzeigen. Wenn nicht, unter Ubuntu den Treiber installieren und neu starten:
```
sudo ubuntu-drivers install
```

Ollama installieren:

curl -fsSL https://ollama.com/install.sh | sh

Modell starten:
```
ollama run hf.co/prithivMLmods/Xiaomi-OCR-0-GGUF:Q4_K_M
```
Mit /bye beenden. Mit ollama ps siehst du, ob das Modell auf der GPU läuft.

Oder automatisch die passende Variante wählen lassen:

try_linux.sh

bash try_linux.sh
# mit Python/transformers statt Ollama:
MODE=hf bash try_linux.sh

Das kannst du ausprobieren

Wandle dieses Dokument in Markdown um.

Gib alle Tabellen der Seite als Markdown-Tabelle aus.

Extrahiere Rechnungsnummer, Datum, Gesamtbetrag und Aussteller als JSON.

Schreibe die Formel auf dem Bild als LaTeX.

Welcher Monat hat laut Diagramm den höchsten Umsatz und wie groß ist der Abstand zum zweithöchsten?

Tipps für bessere Ergebnisse

Gib klare Aufgaben vor, etwa Parsing, Feldextraktion oder Frage, und nenne bei Extraktion die gewünschten JSON-Felder.
Teile mehrseitige PDFs in einzelne Seitenbilder.
Probiere zuerst die Browser-Demo, bevor du lokal installierst.

Wenn es hakt

Das genaue Hugging-Face-Repo steht nicht in der Quelle; suche auf Hugging Face und GitHub nach Xiaomi-OCR-0.

Da das Modell auf Qwen3.5 basiert, brauchst du eine aktuelle Version von Transformers oder des Inferenzprogramms.

Bilder mit zu niedriger Auflösung führen zu Fehlern; nutze scharfe Scans.

Deutsche Dokumente sind in den Quellen nicht ausdrücklich getestet; prüfe Umlaute stichprobenartig.

Community-GGUF-Versionen sind nicht offiziell; achte auf die Quelle.

„out of memory“, Absturz oder der Rechner hängt

Das Modell ist zu groß für deinen Grafikspeicher. Nimm eine kleinere Variante aus der Tabelle oben und schließe andere Programme, vor allem Spiele und Browser mit vielen Tabs.

Es läuft, aber extrem langsam

Wahrscheinlich rechnet der Prozessor statt der Grafikkarte. Bei Ollama zeigt ollama ps in der Spalte PROCESSOR, wie viel auf der GPU läuft. Steht dort „100% CPU“, Grafiktreiber aktualisieren oder eine kleinere Variante nehmen, die komplett in den Grafikspeicher passt.

„ollama“ bzw. „python“ wird nicht gefunden

Das Eingabefenster schließen und neu öffnen, damit es das frisch installierte Programm kennt. Bei Python unter Windows: neu installieren und das Häkchen Add python.exe to PATH setzen.

Windows: „Die Ausführung von Skripts ist auf diesem System deaktiviert“

Das Skript genau mit dem Befehl oben starten: powershell -ExecutionPolicy Bypass -File try_windows.ps1. Das erlaubt die Ausführung nur dieses einen Mal.

Fehlermeldung beim Laden des Modells (Version, „trust_remote_code“, unbekannte Architektur)

Ganz neue Modelle brauchen oft die neueste Programmversion. Bei Ollama: Ollama aktualisieren. Bei Python: pip install -U transformers in der aktivierten Umgebung. Die Model Card nennt meist die genaue Version.

Skripte und Notebook erzeugt Tokenstrom automatisch. Bitte vor dem Ausführen kurz ansehen – sie sind lesbarer Klartext. Lizenz des Modells beachten: apache-2.0.

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.