腾讯混元开源 HunyuanOCR 模型，1B 参数斩获多项 SOTA

腾讯正式发布其全新开源 ocr 模型 hunyuanocr，模型参数规模仅为1b。该模型基于腾讯自主研发的混元多模态架构，在多项行业标准的 ocr 任务中实现了 sota（state-of-the-art）性能突破。据官方介绍，hunyuanocr 采用“端到端”设计，所有功能模块可在单次前向推理中高效完成，显著提升处理速度与准确率。

HunyuanOCR 主要由三大核心部分组成：原生分辨率视觉编码器、自适应视觉适配机制以及轻量化的混元语言模型。与现有主流 OCR 模型不同，HunyuanOCR 实现了全流程端到端训练与推理，结合大规模应用导向数据和在线强化学习策略，展现出卓越的上下文理解与推理能力。

在复杂文档解析评测中，HunyuanOCR 以94.1分的成绩领先于谷歌 gemini-3-pro 等多个先进模型。其文字检测与识别能力覆盖广泛场景，包括常规文档、艺术字体、街景文字、手写体、广告语、票据内容等，在各类测试中均表现优异。在 OCR 综合测评中，该模型取得高达860分的总成绩，成为参数量低于3B级别中的领先者。

检查请求差异，自动生成更改描述

此外，HunyuanOCR 支持14种语言的翻译功能，在跨语言文本处理方面表现出色。模型能够对复杂电子文档进行精准还原，将扫描图像或拍照文本按阅读顺序结构化输出，并支持使用 LaTeX 格式表达数学公式、HTML 格式呈现复杂表格。

应用场景上，HunyuanOCR 可广泛用于多语种文档分析、票据关键字段提取、视频字幕识别及实时拍照翻译等任务，具备极强的实用价值与扩展潜力。

源码地址：点击下载