Xiaomi-OCR-0؛ مدل متن‌باز شیائومی برای درک هوشمند اسناد

شیائومی مدل هوش مصنوعی متن‌باز Xiaomi-OCR-0 را برای پردازش و تحلیل اسناد منتشر کرده است. این مدل با وجود برخورداری از تنها ۰٫۸ میلیارد پارامتر، به خواندن متن محدود نمی‌شود و می‌تواند ساختار سند را درک کند، اطلاعات موردنیاز را بیرون بکشد و به پرسش‌های مرتبط با محتوای آن پاسخ دهد.

#نکات کلیدی

• Xiaomi-OCR-0 یک مدل متن‌باز با ۰٫۸ میلیارد پارامتر است.
• مدل علاوه بر OCR، ساختار و محتوای اسناد را هم تحلیل می‌کند.
• امکان استخراج اطلاعات از سند، فاکتور، جدول و تصاویر متنی وجود دارد.
• این مدل در OmniDocBench v1.6 میان مدل‌های زیر یک میلیارد پارامتر رتبه نخست را گرفته است.
• وزن‌ها، کد اجرا، دموی تعاملی، سرویس MCP و Agent Skill آن منتشر شده‌اند.

#فراتر از خواندن نوشته‌های داخل تصویر

ابزارهای معمولی OCR متن موجود در یک تصویر یا سند را تشخیص می‌دهند؛ اما Xiaomi-OCR-0 قرار است یک مرحله جلوتر برود. این مدل تلاش می‌کند علاوه بر خواندن نوشته‌ها، مفهوم و ساختار سند را هم تشخیص دهد.

برای نمونه، شما می‌توانید یک سند، فاکتور، جدول یا تصویر حاوی متن را در اختیار مدل بگذارید. مدل سپس محتوای آن را تحلیل می‌کند، بخش‌های مهم را تشخیص می‌دهد و اطلاعاتی را که می‌خواهید استخراج می‌کند. همچنین می‌توانید درباره محتوای سند سؤال بپرسید و از مدل پاسخ بگیرید.

#عملکرد مدل در بنچمارک‌ها

براساس اطلاعات منتشرشده، Xiaomi-OCR-0 در بیشتر بنچمارک‌ها امتیازی بالاتر از ۹۵ کسب کرده است. این مدل در OmniDocBench v1.6 نیز میان مدل‌هایی که کمتر از یک میلیارد پارامتر دارند، در پردازش و تجزیه اسناد به رتبه نخست رسیده است.

تعداد نسبتاً کم پارامترها یکی از ویژگی‌های مهم این مدل است. شیائومی قابلیت‌های تحلیل سند را در مدلی ۰٫۸ میلیارد پارامتری ارائه کرده؛ مدلی که صرفاً برای بازشناسی متن طراحی نشده و چند نوع کار مرتبط با اسناد را انجام می‌دهد.

#انتشار متن‌باز ابزارها و اجزای مدل

شیائومی تنها وزن‌های مدل را منتشر نکرده است. کدهای اجرا، دموی تعاملی، سرویس MCP و یک Agent Skill نیز به‌صورت متن‌باز در دسترس قرار گرفته‌اند. جزئیات و فایل‌های منتشرشده را می‌توانید در صفحه Xiaomi-OCR-0 در Hugging Face ببینید.

این مجموعه به توسعه‌دهندگان اجازه می‌دهد مدل و اجزای همراه آن را بررسی کنند و برای سناریوهای پردازش سند به کار بگیرند. قابلیت‌هایی مانند شناسایی ساختار، استخراج اطلاعات و پاسخ‌گویی درباره محتوا نیز باعث می‌شوند مدل برای کار با انواع فایل‌های متنی و تصویری کاربرد داشته باشد.

#جمع‌بندی

Xiaomi-OCR-0 تلاش می‌کند فاصله میان خواندن ساده متن و درک واقعی یک سند را کمتر کند. ترکیب اندازه نسبتاً کوچک، قابلیت تحلیل ساختار و انتشار متن‌باز اجزای مختلف، این مدل شیائومی را به گزینه‌ای قابل‌توجه برای توسعه‌دهندگان ابزارهای پردازش اسناد تبدیل کرده است.