近日，轻量化端到端 OCR 专家模型 HyOCR-1.5正式发布，通过一系列技术革新，在保持轻量化架构的同时，实现了性能与效率的显著跃升。

作为该领域的首个全栈开源模型，HyOCR-1.5不仅公开了模型权重，更将训练配方、数据构造方法及推理加速框架向社区全面开放。这一举措极大降低了开发门槛，使开发者能够轻松复现、微调甚至将其部署在消费级显卡或普通笔记本电脑上。

image.png

为了解决长自回归解码带来的延迟瓶颈，研发团队引入了名为“DFlash”的投机解码框架。通过一个约90.7M 参数的轻量级草稿模型进行并行预测，DFlash 在保证输出准确性的前提下，实现了推理速度的数倍提升。在权威测评 OmniDocBench 中，该技术在 Transformers 架构下带来高达6.37倍的加速，成为目前端到端 OCR 模型中的佼佼者。

在模型能力的进化上，HyOCR-1.5采用了“智能体驱动数据流”的创新策略。研发团队将模型的薄弱环节转化为具体的任务目标，交给智能体自主拆解、搜集语料并清洗验证。这种闭环训练模式成功补齐了古文字识别、低资源语种处理以及跨页多图问答等长尾场景的短板。配合4K 分辨率输入及128K 上下文窗口的训练优化，模型在处理复杂文档时的稳健性得到了极大增强。

评测数据显示，仅拥有1B 参数规模的 HyOCR-1.5在多项任务中展现出了“越级”表现。其在 OmniDocBench v1.6上不仅稳居端到端第一梯队，在古文字识别及图表解析任务中，其性能甚至能与8B 规模的通用模型比肩。

HyOCR-1.5的发布，标志着端到端 OCR 大模型正在向更轻量、更普惠的方向演进。通过将感知与理解深度融合，它不仅为企业级部署提供了高效方案，也为个人电脑端的本地化文档智能处理提供了坚实基础，进一步推动了 OCR 技术的行业落地。