論文の概要: Xiaomi-OCR-0 Technical Report
- arxiv url: http://arxiv.org/abs/2609.36136v1
- Date: Mon, 28 Sep 2026 19:10:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 04:28:51.320924
- Title: Xiaomi-OCR-0 Technical Report
- Title（参考訳）: Xiaomi-OCR-0技術報告
- Abstract要約: Xiaomi-OCR-0 は文書解析と OCR 中心の理解のための 0.8B モデルである。
約1億1千万サンプルのOCR中心コーパスを自動データエンジンを用いて構築する。
トレーニングレシピは、Q-Maskベースのテキストアンカー、継続事前学習、混合タスク強化学習を組み合わせたものである。
- 参考スコア（独自算出の注目度）: 23.404134163642823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compact OCR-specific vision-language models achieve strong document parsing performance, but often rely on costly supervision and focus primarily on visual-text reconstruction. We introduce Xiaomi-OCR-0, a unified 0.8B model for document parsing and OCR-centric understanding. We build an approximately 170M-sample OCR-centric corpus using an automated data engine that combines expert consensus, render-based verification, and targeted synthesis. Starting from Qwen3.5-0.8B, our progressive training recipe combines Q-Mask-based text anchoring, continued pretraining, and mixed-task reinforcement learning (Mix-RL). Xiaomi-OCR-0 achieves 95.24 on Real5-OmniDocBench, 96.83 on OmniDocBench v1.6, and 87.94 on Wild-OmniDocBench, while reaching an average score of 83.2 across five OCR-oriented VQA benchmarks. Ablations further show that, with sufficient parsing training, OCR-centric understanding supervision provides additional gains for document parsing. Homepage: https://huggingface.co/spaces/SeerRay-Lab/Xiaomi-OCR-0.
- Abstract（参考訳）: コンパクトなOCR固有の視覚言語モデルは、強力な文書解析性能を達成するが、しばしばコストのかかる監督と主に視覚テキスト再構成に焦点をあてる。
我々は、文書解析とOCR中心理解のための統合0.8BモデルXiaomi-OCR-0を紹介する。
我々は、専門家のコンセンサス、レンダリングベースの検証、ターゲット合成を組み合わせた自動データエンジンを用いて、およそ170万サンプルのOCR中心コーパスを構築します。
Qwen3.5-0.8Bを皮切りに、Q-Maskベースのテキストアンカー、継続事前学習、混合タスク強化学習(Mix-RL)を組み合わせる。
Xiaomi-OCR-0はReal5-OmniDocBenchで95.24、OmniDocBench v1.6で96.83、Wild-OmniDocBenchで87.94を達成し、5つのOCR指向VQAベンチマークで平均スコア83.2に達した。
さらに、十分な解析訓練を行うことで、OCR中心の理解監督が文書解析にさらなる利益をもたらすことを示す。
ホームページ:https://huggingface.co/spaces/SeerRay-Lab/Xiaomi-OCR-0。
関連論文リスト
- From Retrieval to Recognition:How Vision--Language Models Become OCR Specialists [1.2524536193679123]
我々は, GLM-OCR, MinerU2.5, PaddleOCR-VL-1.6のスパースおよび安定なOCRヘッドセットを同定した。
我々はこれらのOCRヘッドを、一般的なVLMにおいて独立に識別されたテキスト検索/コピーヘッドと比較する。
重なり合いと因果的介入は、フルシーケンスのOCRが密度の高い多重モーダルコピー・アンド・ペーストとして動作することを示唆している。
論文 参考訳（メタデータ） (2026-09-18T09:32:37Z) - TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。
TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
論文 参考訳（メタデータ） (2026-08-08T04:50:00Z) - Cross-Temporal Sinhala OCR: Page-Level Adaptation and Diachronic Analysis [0.0]
ページレベルのSinhala OCR用の実世界のデータセットは公開されていない。
我々は1010ページレベルの画像とその転写の注釈付きデータセットである sinhala-ocr-lk-acts-1010 を導入した。
深層学習に基づく視覚言語処理に基づく3つのモデルをQLoRAを用いて微調整する。
論文 参考訳（メタデータ） (2026-06-28T13:01:54Z) - Le-DETR: Revisiting Real-Time Detection Transformer with Efficient Encoder Design [72.55935017828891]
我々は Le-DETR (textbfLow- Cost and textbfEfficient textbfDEtection textbfTRansformer) を提案する。
ImageNet1KとCOCO 2017トレーニングデータセットのみを使用して、リアルタイム検出で新しいtextbfSOTAを実現する。
YOLOv12-L/X を textbf+0.6/-0.1 mAP で上回り、同様の速度と textbf+20% のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-24T15:29:55Z) - MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm [60.14048367611333]
MonkeyOCRはドキュメント解析のためのビジョン言語モデルである。
SRR(Structure-Recognition-Relation)三重項パラダイムを活用することで、最先端の技術の進歩を図っている。
論文 参考訳（メタデータ） (2025-06-05T16:34:57Z) - TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document [60.01330653769726]
テキスト中心タスクに適した大規模マルチモーダルモデル(LMM)であるTextMonkeyを提案する。
ゼロ初期化によるシフトウィンドウアテンションの導入により、高い入力解像度でクロスウィンドウ接続を実現する。
テキストスポッティングとグラウンド化を包含する能力を拡張し、位置情報を応答に組み込むことで、解釈可能性を高める。
論文 参考訳（メタデータ） (2024-03-07T13:16:24Z) - LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。
125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。
これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-03-04T15:34:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。