Opção 1: usar o Xiaomi-OCR-0 online
O jeito mais rápido é a demo online na página inicial do OCRZero. Nada para instalar, e a saída é o mesmo Markdown ou JSON que a API retorna.
- Escolha uma tarefa. OCR de página para Markdown, PDF em lote, campos de faturas ou formulários para JSON, ou perguntas sobre documentos.
- Envie o documento. Uma imagem PNG, JPEG ou WebP de até 10 MB, ou um PDF de até 20 páginas.
- Copie o resultado. Markdown com tabelas HTML e fórmulas LaTeX, um objeto JSON ou uma resposta curta.
Opção 2: chamar a API do Xiaomi-OCR-0
Crie uma chave de API na sua conta do OCRZero e envie o arquivo como data URL em base64 para POST /api/v1/ocr com um modo: page, pdf, kie ou vqa. Cada página usa 1 crédito, e as que falharem são reembolsadas na mesma resposta.
Para faturas e formulários, envie o modo kie com os nomes de campos desejados, por exemplo invoice_number, invoice_date e total_amount. Campos que o modelo não encontrar voltam como strings vazias.
Opção 3: auto-hospedar o modelo
Os pesos estão no Hugging Face. As instruções oficiais os servem com vLLM ou SGLang como servidor compatível com OpenAI, com contexto de 16.384 tokens, e enviam a imagem com um prompt fixo. Use os prompts oficiais sem alterações: o modelo foi treinado com eles.
- Prompt de página: extrair o corpo principal como Markdown, tabelas em OTSL e fórmulas em LaTeX, na ordem de leitura.
- Decodificação: temperature 0, top_p 0.8, raciocínio desativado.
- Pós-processamento: converter tabelas OTSL em HTML e normalizar delimitadores matemáticos com o código oficial.