--- title: "HyOCR-1.5 – 腾讯混元开源的轻量级端到端 OCR 专家大模型" url: "https://paooo.com/aigc-news/30140/" author: "Prompt 语宙研究院" published_at: "2026-07-14T00:05:16+08:00" updated_at: "2026-07-14T00:05:16+08:00" categories: "AIGC 资讯" tags: "AI智能体, Llama, 大模型微调, 开源大模型, 腾讯混元" source: "Prompt 语宙 (https://paooo.com)" ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)" --- # HyOCR-1.5 – 腾讯混元开源的轻量级端到端 OCR 专家大模型 > 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/30140/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-14 ## AI 30 秒核心看点 (TL;DR) - 1B 参数即可覆盖文档解析、信息抽取、拍照翻译、图表与视频字幕等 OCR 全栈场景。 - DFlash 投机解码显著加速长结构化输出，Transformers 下最高提速 6.37 倍，端到端每页约 1.4 秒。 - OmniDocBench v1.6 以 94.74 分拿下端到端第一，且支持 4K 分辨率与 128K 上下文。 ## HyOCR-1.5是什么 HyOCR-1.5 是腾讯混元开源的轻量级端到端 OCR 专家大模型，仅 1B 参数能实现文档解析、文本识别、信息抽取、拍照翻译、图表解析、古文字识别、视频字幕提取与多页文档问答等全栈能力。模型基于 DFlash 投机解码，长结构化输出推理最高提速 6.37 倍；OmniDocBench v1.6 以 94.74 分位居端到端第一。 ## HyOCR-1.5的主要功能 - **文档解析**：将密集文档、多栏版面、表格与公式一键转为结构化文本（Markdown/HTML/LaTeX）。 - **文本检测识别**：输出图片中全部文字内容及对应坐标，覆盖文档、街景、手写、广告、游戏、视频等场景。 - **信息抽取**：从票据、证件、收据中提取指定字段并按 JSON 格式返回。 - **拍照翻译**：提取图中文字并翻译为多种语言，保留文档版式与公式格式。 - **图表解析**：将流程图、统计图表解析为 Mermaid 或 Markdown 格式。 - **古文字识别**：支持汉字七体（甲骨、金文、篆、隶、楷、行、草）识别。 - **视频字幕提取**：从视频帧中精准提取字幕文本。 - **多页文档问答**：基于多页 PDF 进行跨页检索、比对与证据聚合问答。 ## HyOCR-1.5的技术原理 - **轻量端到端架构**：沿用 HyOCR-1.0 验证过的紧凑设计，由原生分辨率视觉编码器 Hunyuan-ViT、自适应 MLP 连接器与轻量语言模型 Hunyuan-0.5B 组成，直接将多模态输入映射为 Markdown、HTML、LaTeX 等结构化输出，无需任何任务级后处理模块。 - **4K 原生分辨率视觉编码**：视觉编码器基于 Hunyuan-ViT 构建，最大输入分辨率从 2K 扩展至 4K，保持原始宽高比与空间布局，使模型能捕捉高密度文档、超大表格及复杂版面的细粒度结构细节。 - **DFlash 投机解码**：引入约 90.7M 参数的 block-diffusion 草稿模型，一次并行前向即可预测整块候选 token，再由目标模型单次验证并接受最长正确前缀；严格保持目标模型输出分布的同时，将长结构化 OCR 生成的解码延迟大幅降低。 - **Agentic Data Flow**：智能体驱动数据生产闭环，将模型短板转化为可执行数据需求，自主完成素材搜索、工具辅助清洗、难例挖掘与数据管线开发，并与算法工程师持续迭代。 - **三阶段训练配方**：预训练阶段重规划 Stage 3，注入新能力数据并扩展至 4K 分辨率与 128K 上下文；SFT 阶段彻底清洗数据、统一 prompt 接口；RL 阶段采用 IcePop（GRPO 风格）优化，通过事实性、一致性评判与退化抑制三类互补奖励提升输出质量。 微信关注回复“**开源**”，加入**AI开源项目交流群** ## 如何使用HyOCR-1.5 - **环境准备**：安装 Python 3.12+、CUDA 12.9、PyTorch 2.7.1 与 vLLM（≥0.12.0）。 - **模型启动**：执行 `vllm serve tencent/HunyuanOCR` 启动服务，或加载 Hugging Face 权重。 - **图片输入**：使用 PIL 读取图片并构建含 image 与 text 的 messages 对话结构。 - **任务指令**：按场景选择 Prompt，如文档解析、文字检测、信息抽取、翻译等。 - **调用推理**：通过 vLLM 或 Transformers 生成结果，设置 temperature=0 与 max_tokens=16384。 - **结果清洗**：使用内置去重函数清理可能的重复子串，获取最终结构化输出。 - **本地部署**：通过 llama.cpp 在 CPU 或消费级 GPU 上运行，无需服务器。 ## HyOCR-1.5的核心优势 - **极速推理**：DFlash 投机解码让长文档生成在 Transformers 下提速 6.37 倍、vLLM 下提速 2.14 倍，端到端每页仅 1.4 秒。 - **轻量可部署**：1B 参数可通过 llama.cpp 在 CPU、消费级显卡及笔记本本地运行。 - **SOTA 精度**：OmniDocBench v1.6 端到端第一（94.74），表格 TEDS 93.67，复杂表格与阅读顺序表现突出。 - **全栈开源**：训练配方、推理框架、模型权重完整公开，可复现、可微调、可扩展。 - **长尾能力**：Agentic Data Flow 补齐 331 种低资源语种、古文字、多图问答等稀缺能力。 - **高分辨率长上下文**：支持 4K 图像分辨率与 128K 上下文，适配高密度长文档。 - **幻觉抑制**：CHAOS-Bench 页均召回率 14.15，优于现有模型，输出更忠于所见。 ## HyOCR-1.5的项目地址 - **GitHub仓库**：https://github.com/Tencent-Hunyuan/HunyuanOCR - **HuggingFace模型库**：https://huggingface.co/tencent/HunyuanOCR - **arXiv技术论文**：https://arxiv.org/pdf/2607.04884 ## HyOCR-1.5的同类竞品对比 维度 HyOCR-1.5 [DeepSeek-OCR-2](https://ai-bot.cn/deepseek-ocr-2/) **参数规模** 1B（轻量） 3B（大 3 倍） **OmniDocBench** 94.74 87.01 **端到端延迟** 1.408s / 页 5.460s / 页（慢 3.9 倍） **表格解析 TEDS** 93.67 约 84.97 **推理加速** DFlash 投机解码，Transformers 6.37× 提速 无专用加速，纯自回归解码 **部署成本** 可跑在 CPU / 笔记本 需服务器级 GPU ## HyOCR-1.5的应用场景 - **密集文档数字化**：一键将合同、论文、报告等高密度多栏版面转为 Markdown / HTML / LaTeX 结构化文本，保留阅读顺序与版式。 - **复杂表格与公式解析**：精准还原财务报表、学术论文中的超大表格与数学公式，支持 HTML 表格与 LaTeX 公式输出。 - **多语种跨国文档处理**：覆盖 331 种语言，自动识别并解析混合语种文档，适用于外贸、法务、出版等全球化业务场景。 - **古文字研究与保护**：识别甲骨、金文、篆书、隶书等汉字七体，辅助博物馆、考古机构对历史文献进行数字化存档与研究。 ## 常见问题解答 (FAQ) ### HyOCR-1.5 适合做哪些 OCR 任务？ 它面向端到端 OCR 全栈场景，支持文档解析、文本检测识别、信息抽取、拍照翻译、图表解析、古文字识别、视频字幕提取和多页文档问答，输出可直接为 Markdown、HTML、LaTeX 或 JSON。 ### HyOCR-1.5 为什么推理更快？ 核心原因是引入了 DFlash 投机解码：草稿模型先并行预测整块 token，再由目标模型验证并接受最长正确前缀，在保持输出分布一致的前提下，显著降低长结构化 OCR 的解码延迟。 ### HyOCR-1.5 可以本地部署吗？ 可以。文章给出的部署方式包括 vLLM 服务、Transformers 推理，以及通过 llama.cpp 在 CPU 或消费级 GPU 上运行，适合本地和轻量化部署场景。 --- 探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)