Xiaomi’nin belge okuma odaklı açık modeli Xiaomi-OCR-0, yalnızca görüntüdeki yazıyı düz metne çevirmekle sınırlı kalmıyor. Resmî model kartı, belge çözümleme, görsel üzerinden soru yanıtlama ve belirli bilgi alanlarını çıkarma işlevlerini birlikte açıklıyor. Xiaomi’nin yapay zekâ özellikleri telefon yazılımında da genişlerken, bu modelin ayrı bir geliştirici kaynağı olduğunu belirtmek gerekiyor.
Projenin sürüm kaydına göre model ağırlıkları 30 Eylül’de yayımlandı. Dolayısıyla dosyaların bugün ilk kez erişime açıldığı yönünde bir durum bulunmuyor. Modeli gündeme taşıyan haberler ile teknik raporun ve ağırlıkların yayımlanma tarihini birbirinden ayırmak önem taşıyor.
Xiaomi-OCR-0, 0,8 milyar parametreli bir görsel dil modeli olarak tanımlanıyor. Belge çözümleme çıktıları Markdown, belirli alanlardan çıkarılan bilgiler ise yapılandırılmış biçimlerde kullanılabiliyor. Böylece yalnızca harfleri tanımak yerine, belgedeki alanların ve içeriğin düzenini başka bir iş akışına aktarmak hedefleniyor.
Model kartı taranmış, fotoğrafı çekilmiş, eğilmiş veya açıyla görüntülenmiş belgeleri de kapsam içinde anıyor. Bunun yanında tablo, formül ve belge içeriğiyle ilgili sorular farklı değerlendirme başlıklarında yer alıyor. Bu kapsam, her dosyanın hatasız okunacağı anlamına gelmiyor, görüntü kalitesi ve belgenin türü sonucu değiştirebiliyor.
Xiaomi-OCR-0 için paylaşılan puanlar her belgede aynı doğruluğu garanti etmiyor
Teknik rapor, başlangıç noktası olarak Qwen3.5-0.8B modelini ve yaklaşık 170 milyon örneklik bir veri kümesini gösteriyor. Eğitim, metnin konumuyla ilişkilendirilmesi, devam eden ön eğitim ve farklı görevleri birleştiren pekiştirmeli öğrenme aşamalarından oluşuyor. Araştırmacılar belge çözümlemeyi, metin odaklı görsel anlamayla birlikte geliştirmeyi amaçlıyor.
Raporda Real5-OmniDocBench için 95,24, OmniDocBench 1.6 için 96,83 ve Wild-OmniDocBench için 87,94 puan açıklanıyor. Beş metin odaklı görsel soru yanıtlama testinin ortalaması da 83,2 olarak veriliyor. Bunlar araştırmacıların belirli testlerde hesapladığı puanlar, bütün belgelerin yüzde 96,83 doğrulukla okunacağına ilişkin genel bir garanti oluşturmuyor.
Bunlara ek olarak proje Apache 2.0 lisansıyla sunuluyor ve geliştiriciler için çalıştırma örnekleri içeriyor. Modeli bir uygulamaya eklemek, uygun hesaplama ortamını ve belge işleme zincirini kurmayı gerektiriyor. Bu nedenle ağırlıkların açık olması ile son kullanıcıya hazır bir tarama uygulaması sunulması aynı durum değil.
Bir Xiaomi telefon kullanıyorsanız bu duyurudan cihazınıza otomatik olarak yeni bir belge tarayıcısı geleceği sonucunu çıkarmamak gerekiyor. Model kartı, bütün HyperOS cihazları için bir dağıtım takvimi vermiyor. Telefon üzerindeki mevcut yapay zekâ işlevleri ile bu açık araştırma modelinin kurulumu ve kullanım koşulları ayrı ele alınmalı.
Belge işleyen ekipler için asıl değerlendirme, kullanılan dosya türünde alınan sonuç olacak. Tablo yapısının korunması, formüllerin doğru aktarılması ve önemli alanların eksiksiz çıkarılması farklı denetimler gerektiriyor. Xiaomi’nin yayımladığı kaynaklar bu denemeler için bir başlangıç sağlıyor, gerçek iş akışındaki doğrulamanın yerini almıyor.
Günün Öne Çıkan Fırsatları
