Xiaomi-OCR-0整合包下载:Windows免配置一键启动,离线OCR+WebUI_小米OCR整合包
- 2026-11-01 20:47:19
作者：代码简单说
大家好，我是代码简单说。小米开源了一个只有 0.8B 参数的 OCR 视觉模型 Xiaomi-OCR-0，别看它个头小，文档解析、表格还原、数学公式、手写字、看图问答全都在行。但它默认以 Ollama / HuggingFace 权重发布，普通 Windows 用户想跑起来，要装 Python、装 Ollama、拉模型、配环境变量，门槛不低。
我把整套环境打包成了一个开箱即用的 Windows 整合包：免安装、免配置、完全离线，解压后双击一个 bat 就能用，小白也能三步上手。本文给出下载地址、启动教程、功能清单和 API 调用示例，全文无套路，建议先收藏再看。
下载地址（夸克网盘）
整合包下载地址：
https://share.wangpanso.cn/s/qrkzjk
一、Xiaomi-OCR-0 是什么
Xiaomi-OCR-0 是小米开源的轻量级全能文档理解模型，参数量仅 0.8B，底座为 Qwen3.5，单张 8GB 显存的消费级显卡就能跑，甚至纯 CPU 也能出结果（慢一些）。
它的能力覆盖一张图里几乎所有的"文字场景"：
- 文档解析
：整页内容转 Markdown，按阅读顺序输出； - 表格还原
：把图片里的表格还原成可编辑表格（OTSL 结构）； - 公式识别
：数学公式直接转 LaTeX，论文截图秒变可复现公式； - 手写识别
：古籍、行书这类难啃的手写体也能认； - 图像问答（VQA）
：直接问"这张单据的总金额是多少"，它给答案； - 字段提取（KIE）
：按"日期、商户、总额"这样的字段抓信息，直接出 JSON。
二、整合包里有什么
整合包 = 便携版 Python 3.12 + 便携版 Ollama + bf16 模型权重 + WebUI 服务，全部组件都在包内，不依赖系统里装没装 Python 或 Ollama，也不会污染系统环境。
Xiaomi-OCR-0/├─ 启动小米OCR.bat ← 双击这一个就够了├─ 使用说明.txt├─ launcher.py ← 一键启动器├─ watchdog.py ← 退出自动清理服务├─ app\demo\ ← WebUI 与 HTTP API 服务├─ runtime\ ← 便携版 Python 3.12├─ ollama\ ← 便携版 Ollama└─ models\ ← 模型权重（已打好补丁，免下载）
几个贴心细节：
- 端口自动避让
：Ollama 用 11434-11438、WebUI 用 8787-8792，被占用就自动换下一个，不和已有服务打架； - 关闭窗口即全部停止
：启动器带看门狗进程，关掉 bat 窗口、甚至直接强杀进程，Ollama 和 WebUI 都会被自动清干净，不留后台残留； - 浏览器自动打开
：服务就绪后自动弹出工作台页面。
三、三步跑起来
第 1 步：解压。把 zip 解压到任意目录，路径建议不要太深、尽量不要带特殊字符。
第 2 步：双击「启动小米OCR.bat」。黑窗口会依次启动 Ollama 和 WebUI 服务，首次启动加载模型约需十几秒。
第 3 步：浏览器自动打开工作台，点击左侧画面选一张图或 PDF，选完自动开始识别，结果实时流式输出到右侧，可以直接复制或下载 Markdown。
界面完全为小白设计：底部三个内置样例（购物小票、论文公式、行书千字文）点一下就换图重新解析；解析中右上方会出现红色「停止解析」按钮（按 Esc 也行），停止后已识别的部分内容会保留；顶栏实时显示内存与显存占用（低频刷新，不抢性能）；解析提示词支持自定义，满足高级玩法。
四、识别效果实测
论文公式：截图里密密麻麻的多行推导，识别后直接是渲染好的 LaTeX，复制进 Typora / Word 公式编辑器就能用：
手写古籍：行书《千字文》竖排手写，也认得出来：
实测耗时参考（8GB 显卡）：小票类图片 1-3 秒，密集公式页 15-20 秒，PDF 整本解析支持多页并发。除了图像，整合包还支持整本 PDF 解析：选一个 PDF 文件，它会逐页渲染并识别，自动拼成一份完整 Markdown，带进度条，中途可停止。
五、API 调用：把 OCR 接进你自己的程序
WebUI 不只是个页面，它同时是一个本地 HTTP API 服务（已开 CORS），浏览器访问 http://127.0.0.1:8787/docs 有完整中文文档页：
常用接口一眼看懂：POST /api/ocr（图像识别）、POST /api/ocr/stream（流式）、POST /api/book（PDF 整本）、GET /api/health（状态）。三个可直接复制的调用示例：
Windows PowerShell：
r = Invoke-RestMethod http://127.0.0.1:8787/api/ocr -Method Post `-ContentType "application/json" -Body ('{"image_base64":"' + r.content
Python（requests）：
import base64, requestsimg = base64.b64encode(open("demo.png", "rb").read()).decode()r = requests.post("http://127.0.0.1:8787/api/ocr", json={"image_base64": img,"task": "document", # document / kie / vqa})print(r.json()["content"])
OpenAI SDK 兼容：整合包的 Ollama 暴露了 OpenAI 兼容接口，用 openai 库直接连 11434 端口就能当多模态模型用：
from openai import OpenAIclient = OpenAI(base_url="http://127.0.0.1:11434/v1", api_key="ollama")resp = client.chat.completions.create(model="longwayxu/xiaomi-ocr-0:bf16",messages=[{"role": "user", "content": [{"type": "text", "text": "提取这张图里的全部文字"},{"type": "image_url", "image_url": {"url": "data:image/png;base64,<你的base64>"}},]}],)print(resp.choices[0].message.content)
做 RAG 知识库、批量票据归档、自动化脚本，都可以直接拿这套接口当本地 OCR 引擎。
六、常见问题（FAQ）
1. 没有独立显卡能跑吗？ 能。模型会自动回退到 CPU + 内存推理，速度慢一些（单张图十几秒到几十秒），功能完全一样。内存建议 16GB 起。
2. 双击 bat 后窗口一闪就没了？ 多半是 11434-11438、8787-8792 端口全被占用，或杀毒软件拦截了。先关掉冲突程序、把包目录加入杀软白名单再试；窗口里会有中文提示。
3. 怎么彻底停止服务？ 直接关闭 bat 窗口即可。即使窗口被强杀，看门狗也会在几秒内清掉全部子进程，不会留后台占显存。
4. 数据会上传吗？ 不会。识别全部在本机完成，服务只绑定 127.0.0.1，不暴露到局域网，离线状态也能正常用。
5. 端口显示的不是 8787？ 默认从 8787 起自动找空闲端口，实际地址以 bat 窗口里「已就绪」那行提示为准。
七、总结
小米开源的 Xiaomi-OCR-0（0.8B）以小博大：文档、表格、公式、手写、看图问答一体搞定； 本文的 Windows 整合包免配置、完全离线：解压 → 双击 bat → 自动开浏览器，三步用起来； WebUI 面向小白：样例点击换图、自动解析、可停止、显存内存可视； 同时内置本地 HTTP API（ /docs有中文文档），PowerShell / Python / OpenAI SDK 都能直接调；下载地址：夸克网盘下载地址（失效可在评论区留言，我会补新链接）。
模型版权归小米开源项目所有，整合包只是帮你省去配环境的功夫。觉得有用的话，点个赞、收藏一下再走；也欢迎到我的海量资源站 dooo.fun 逛逛，海量游戏/软件资源免费下载。用的过程中遇到任何问题，评论区见。
