腾讯混元开源端到端 OCR 大模型 HyOCR-1.5：1B 参数，跑出每页 1.4 秒

腾讯混元最近把一款端到端 OCR 大模型 HyOCR-1.5 推到了开源社区面前。和过去常见的“只放权重”不同，这次官方明确把训练框架、推理代码与模型参数一起放了出来，定位是端到端 OCR 领域首个全栈开源的专家模型。

OCR 这件事其实并不新鲜，但大多数系统仍然是“检测 + 识别 + 后处理”的多模块拼接。端到端模型的思路是用一个大模型直接吃图片、输出结构化文本，省掉中间的拼装环节。代价是模型大、推理慢，所以过去愿意全开源的并不多见。

参数与能力的取舍

HyOCR-1.5 只用了 10 亿参数，却号称覆盖 8 种以上 text-centric 任务，包括文档解析、表格提取、公式识别、关键信息抽取等。模型支持 4K 分辨率输入和 128K 上下文窗口，这意味着它可以一次处理长文档或多页表格，而不是切成一页一页地喂。

低资源语言和古文字也被纳入了能力范围。官方提到通过 Agentic Data Flow 扩展到了 331 种语言的 OCR，以及古籍识别和多图问答。对于做古籍数字化、跨境文档处理的人来说，这一项比单纯刷榜更有实际意义。

推理速度是这次的重点

OCR 模型卡不卡脖子，很大程度上看单页推理时延。HyOCR-1.5 端到端推理做到了每页

1.408 秒，这背后是新引入的 DFlash 投机解码框架。官方给出的数据是：在 Transformers 推理下提速

6.37 倍，在 vLLM 推理下提速

2.14 倍。

对开发者来说，6.37 倍的加速意味着单卡吞吐可以上一个台阶，部署成本随之下降。尤其在批量扫描、合同录入、票证识别这类需要高并发的场景里，速度直接影响能不能上生产。

基准成绩与开源的实际价值

在 OmniDocBench v1.6 上，HyOCR-1.5 拿到了 94.74 分，官方称在端到端模型里排名第一。这个榜单关注的是真实文档场景的综合能力，包括版式还原、表格结构、阅读顺序等。成绩只是一方面，更关键的是模型、训练脚本和推理代码同时开源，复现门槛被显著拉低。

对国内做文档智能的团队来说，这提供了一个可以直接拿来做基线甚至二次微调的选项，而不必再依赖封闭 API 或自己从零训练。学术和小团队尤其受益，门槛低、链路完整是这次开源最值得说的地方。

中文用户可以怎么用

如果你是开发者，可以在 Hugging Face 上拉取权重，配合官方推理代码本地部署；如果是企业用户，关注的是私有化部署的成本和稳定性，1B 参数在单卡甚至消费级显卡上都有跑起来的可能。具体显存占用和并发上限，还需要等社区实测。

对内容创作者和研究者来说，古籍识别和多图问答能力比较新鲜，可以尝试把家谱、地方志、老照片说明这类素材丢进去测一下效果。多图问答则适合做带图的资料整理，比如把几张财报截图合并提问。

后续值得关注的几件事

第一，社区微调版本什么时候出现，比如针对中文票据、日文古籍、阿拉伯文合同的专用版本。第二，DFlash 投机解码是否会被其他开源 OCR 项目借鉴，成为新的标配加速方案。第三，OmniDocBench 之外的真实业务数据表现，例如在票据、合同、学术论文上的实际准确率。

全栈开源的 OCR 大模型以前并不多见，HyOCR-1.5 把这条路走通了一次。接下来拼的不是参数大小，而是生态是否愿意在上面长出更多场景化方案。

官方开源地址与部署入口

HyOCR-1.5 的官方项目名称是 HunyuanOCR-1.5。

腾讯混元已经在 GitHub 发布模型代码、训练与推理说明，并在 Hugging Face 提供模型资料。

准备部署时应先核对官方 README 中的环境、任务类型、许可证和 llama.cpp 或 vLLM 路径。