方法 1：Xiaomi-OCR-0 をオンラインで使う
いちばん手軽なのは OCRZero トップページのオンラインデモです。インストール不要で、API と同じ Markdown や JSON が得られます。
- タスクを選ぶ。 ページ OCR → Markdown、PDF 一括、請求書・帳票の項目 → JSON、文書 Q&A から選びます。
- 文書をアップロード。 最大 10 MB の PNG・JPEG・WebP 画像、または最大 20 ページの PDF。
- 結果をコピー。 HTML の表と LaTeX 数式を含む Markdown、JSON オブジェクト、または短い回答。
方法 2：Xiaomi-OCR-0 API を呼び出す
OCRZero アカウントで API キーを作成し、ファイルを base64 の data URL として POST /api/v1/ocr に送ります。mode は page・pdf・kie・vqa から指定します。1 ページ 1 クレジットで、失敗したページは同じレスポンスで返却されます。
請求書や帳票には mode kie と必要な項目名（例：invoice_number、invoice_date、total_amount）を送ります。見つからない項目は空文字列で返ります。
方法 3：モデルをセルフホストする
重みは Hugging Face で公開されています。公式手順では vLLM か SGLang でコンテキスト 16,384 トークンの OpenAI 互換サーバーとして起動し、画像と固定プロンプトを一緒に送ります。公式プロンプトは変更せずに使ってください。モデルはそれで学習されています。
- ページ用プロンプト：本文を読み順に Markdown で抽出し、表は OTSL、数式は LaTeX にします。
- デコード設定：temperature 0、top_p 0.8、思考モードはオフ。
- 後処理：公式の後処理コードで OTSL の表を HTML に変換し、数式の区切りを整えます。