腾讯混元开源1B端到端OCR
腾讯混元 · wechat · 2026-07-13
腾讯混元发布 **HyOCR-1.5**：一个 **1B 参数** 的端到端 OCR 专家模型，强调训练、推理、权重全栈开源。它能覆盖 8 种以上 text-centric 任务，并通过基于 DFlash 的投机解码，在推理上达到最高 **6.37×** 加速；在 OmniDocBench v1.6 上拿到 **94.74** 分，位居端到端 OCR 第一梯队。 这篇长文重点讲了三件事： - **更快**：用轻量草稿模型 + 验证式投机解码，把长文档的自回归生成加速，同时对长输出、表格页收益更明显。 - **更强**：引入 **AgenticDataFlow**，让智能体根据模型短板自动搜集素材、开发数据管线并迭代，补齐低资源语种、古文字、多图问答等能力。 - **更全**：训练侧加入 4K 分辨率、128K 上下文和 RL 方案；评测上覆盖文档解析、古文字、图表、多语种、多图问答和幻觉抑制等场景。 文章还给出多个结果：在 Chronicles-OCR 上，1B 规模达到古文字识别 SOTA；在 ChartArena 上表现接近甚至超过部分 8B 模型；在无文字图像处理上，正确率达到 **99.8%**。