Opción 1: usar Xiaomi-OCR-0 online
La forma más rápida es la demo online de la página principal de OCRZero. No hay que instalar nada y el resultado es el mismo Markdown o JSON que devuelve la API.
- Elige una tarea. OCR de página a Markdown, PDF por lotes, campos de facturas o formularios a JSON, o preguntas sobre documentos.
- Sube el documento. Una imagen PNG, JPEG o WebP de hasta 10 MB, o un PDF de hasta 20 páginas.
- Copia el resultado. Markdown con tablas HTML y fórmulas LaTeX, un objeto JSON o una respuesta corta.
Opción 2: llamar a la API de Xiaomi-OCR-0
Crea una clave de API en tu cuenta de OCRZero y envía el archivo como data URL en base64 a POST /api/v1/ocr con un modo: page, pdf, kie o vqa. Cada página usa 1 crédito y las fallidas se reembolsan en la misma respuesta.
Para facturas y formularios, envía el modo kie con los nombres de campo que quieras, por ejemplo invoice_number, invoice_date y total_amount. Los campos que el modelo no encuentra vuelven como cadenas vacías.
Opción 3: autoalojar el modelo
Los pesos están en Hugging Face. Las instrucciones oficiales los sirven con vLLM o SGLang como servidor compatible con OpenAI con un contexto de 16.384 tokens y envían la imagen junto con un prompt fijo. Usa los prompts oficiales sin cambios: el modelo se entrenó con ellos.
- Prompt de página: extraer el cuerpo principal como Markdown, tablas en OTSL y fórmulas en LaTeX, en orden de lectura.
- Decodificación: temperature 0, top_p 0.8, razonamiento desactivado.
- Posprocesado: convertir las tablas OTSL a HTML y normalizar los delimitadores matemáticos con el código oficial.