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%。
「多模态」频道最新
- LichtFeld Studio v0.5.4.3：社区贡献的 SteadySplats 等新功能上线 — janusch_patas · 2026-10-26
- 一次 prompt 直出 2-3 分钟旁白短片,作者实测 Antigravity 生成效果 — AI_Andrew · 2026-10-26
- 用户用 Gemini 全家桶做万帧动画短片：写、画、配音、配乐一条龙 — AI_Andrew · 2026-10-26
- FLUX.3 Klein 蒸馏到 4-8 步出图，CFG 直接烘进模型 — Fit-Structure-6489 · 2026-10-26
- ostris 预训练新 VAE「Primal VAE」:单通道潜空间实现等效 8 倍压缩 — ostrisai · 2026-10-26
- 社区为 Krea 2 Turbo 打造艺术风 checkpoint「Narrative Drift」 — MoonbearAIArt · 2026-10-26