腾讯混元 HyOCR-1.5 发布:1B 身板,OCR 全栈开源 + 推理 6.37 倍

事件内容

腾讯混元于 2026 年 7 月 13 日发布 HyOCR-1.5 —— 端到端 OCR 大模型领域首个将训练、推理、模型权重完整开源的专家模型。这个 1B 参数的小身板覆盖了 8 种以上 text-centric 任务,在 OmniDocBench v1.6 上以 94.74 分 居端到端第一(超过所有同类闭源 + 开源方案),推理端到端达每页 1.408 秒。

核心性能数据:

技术亮点:

• DFlash 投机解码框架 —— 把长文档解码的「慢」单独抽出来,作为独立加速模块
• 训练配方升级 —— 4K 分辨率 + 128K 上下文窗口 + RL Recipe 后训练
• Agentic Data Flow —— 扩展到 331 种低资源语言、古文字识别、多图问答
• 8 种以上 text-centric 任务 —— 文档理解、表格识别、公式识别、票据、卡证、古籍、手写体、多语种混合

来源:腾讯混元官方公众号:HyOCR-1.5 发布 · aihot lead 推荐 · 7 月 13 日发布

深度剖析

1. 「全栈开源」是 OCR 领域的范式拐点

过去几年,OCR 大模型走的是两条路:一是闭源 API(百度 / 阿里 / 腾讯自家的付费 OCR),二是只开源权重的「半开源」方案。HyOCR-1.5 是第一个把训练代码 + 推理代码 + 模型权重 + 评测脚本全部公开的端到端 OCR 专家模型。这种「全栈开源」对学术界和中小开发者意义重大——可以直接基于 HyOCR-1.5 微调自己的领域 OCR(医疗 / 法律 / 金融票据),而不必从头训练。

2. 1B 参数 + 6.37× 加速 = 「小模型也能干活」的工程宣言

在 LLM 时代,「参数越大越好」是默认假设。HyOCR-1.5 反其道而行:用 1B 参数 + DFlash 投机解码,跑出比同类 7B-13B OCR 模型更快的速度、更高的精度。DFlash 的本质是把「自回归解码」最慢的「verify 阶段」并行化,用小模型先预测 draft tokens,大模型一次性 verify,这是 LLM 推理加速领域的成熟技术。但 HyOCR-1.5 是第一个把它深度集成到 OCR 场景并实现 6.37× 加速的产品。

3. Agentic Data Flow 是「OCR + Agent」的连接器

HyOCR-1.5 不只是一个「OCR 引擎」,它通过 Agentic Data Flow 把 OCR 能力接入 agent 工作流:331 种语言扩展(低资源 OCR,如藏文 / 缅甸文)、古文字识别(甲骨文 / 简牍)、多图问答(一次处理多张相关图片)。这意味着 HyOCR-1.5 可以直接作为 Claude Code / Cursor / 国产 agent 的「视觉感知插件」——agent 拿到一份 PDF 文档,HyOCR-1.5 自动解析文字 + 表格 + 公式,无需 agent 自己拼接 OCR 流程。

4. 94.74 分在 OmniDocBench v1.6 上是「天花板级别」

OmniDocBench 是文档理解领域的权威评测(覆盖论文、书籍、表格、票据、公式等),HyOCR-1.5 以 94.74 分排第一,超过 GPT-4V、Gemini、Qwen-VL、InternVL 等通用多模态模型,也超过专门做 OCR 的 PaddleOCR、MinerU 等。这是**「专用模型反超通用模型」的典型案例**——当任务足够具体,1B 参数 + 精调 + 投机解码,就能在专业任务上跑赢通用大模型。

5. 中国大模型「基础设施层」的连续性贡献

最近两周,中国大模型在「基础设施层」的贡献已经形成连续节奏:RedKnot(小红书,KV Cache 拆分)、LongCat Owl(美团,全 ASIC 训练)、Hy3(腾讯,295B MoE Agent LLM)、ForgeTrain(面壁智能,AI 自己写训练框架)、现在 HyOCR-1.5(腾讯,OCR 全栈开源)。这条主线不再是「刷榜」,而是**「把工程做到 production-grade」的稳定贡献**。腾讯同一天 lead 推 HyOCR-1.5(aihot 7/14 daily lead),进一步印证这条主线的行业认知度。

6. 「1B 的身板,打出越级的成绩」是国产模型叙事的代表

官方文案「1B 的身板,打出越级的成绩」直接呼应 2026 年中国大模型的核心叙事:小模型在专业任务上反超大模型。这条叙事在 VibeThinker-3B(06-28,新浪)、Qwen3.6-27B(06-29,千问)、LongCat-2.0(07-05,美团)上都出现过。HyOCR-1.5 是这条叙事在 OCR 垂直领域的具体落地。

值得关注的原因

• OCR + Agent 是 2026 H2 的关键组合 —— Claude Code / Cursor / 国产 agent 都需要「文档理解」能力,HyOCR-1.5 是这个方向第一个开源 + 工业级 + 全栈的方案
• 「全栈开源」对中小开发者极其友好 —— 训练 + 推理 + 权重全开,直接微调出自己领域的 OCR,无需从头训练
• DFlash 投机解码的工程范式可被复制 —— 其他 OCR / VLM 模型都可以参考 DFlash 模式做加速,这会推动整个行业效率提升
• 腾讯混元「Hy 系列」的生态正在形成 —— Hy3(Agent LLM)+ HyOCR-1.5(OCR 专家)已经在 aihot daily lead 同周出现,后续可能有 HyVL(Hunyuan Vision-Language)、HyEmbeddings 等
• 94.74 分超过通用多模态模型 —— 这是「专用模型 > 通用模型」叙事最有说服力的数据点之一

风险与待观察

• GitHub 仓库尚未公开 —— 截至 7/14 暂未找到 Tencent-Hunyuan/HyOCR 公开仓库,代码 release 时间未公布,「全栈开源」的实际可获得性需观察
• DFlash 框架与上游 Transformers / vLLM 的兼容性 —— 6.37× 加速是在特定 Transformers 版本下的 benchmark,实际生产环境集成可能需要适配
• 331 种语言、古文字识别的真实精度未公开 —— Agentic Data Flow 是亮点,但「低资源 OCR」的精度评测细节未发布,具体覆盖范围需等代码 release 后验证
• 与商业 OCR API 的成本对比 —— 自部署 HyOCR-1.5 vs 调用百度 / 阿里 OCR API,单位成本和精度的 trade-off 需要真实业务验证

来源: 腾讯混元官方公众号 HyOCR-1.5 原文 | aihot 7/14 daily lead | aihot 7/13 item #5