论文页面 - HunyuanOCR-1.5：打造更快、更强的轻量级OCR视觉语言模型

来源：https://huggingface.co/papers/2607.04884 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

HunyuanOCR-1.5 是一个轻量级端到端视觉语言模型，通过 DFlash 提升效率，通过 Agentic Data Flow 增强能力，实现了快速推理和广泛的任务覆盖。

我们提出 HunyuanOCR (https://huggingface.co/papers?q=OCR)-1.5，一个轻量级端到端 OCR 专用视觉语言模型 (https://huggingface.co/papers?q=vision-language%20model)。HunyuanOCR (https://huggingface.co/papers?q=OCR) 将文档解析、文本定位、信息抽取、图文翻译和多图像文档理解统一在单个端到端 VLM 中。基于 HunyuanOCR (https://huggingface.co/papers?q=OCR)-1.0 的轻量级架构，HunyuanOCR (https://huggingface.co/papers?q=OCR)-1.5 并未重新设计骨干网络，而是系统地提升了效率和能力。在效率方面，我们将 DFlash (https://huggingface.co/papers?q=DFlash) 适配到 OCR (https://huggingface.co/papers?q=OCR) 解码过程，显著降低了密集文档、表格和公式等长结构化输出的延迟，同时保持输出分布不变。借助 DFlash (https://huggingface.co/papers?q=DFlash)，HunyuanOCR (https://huggingface.co/papers?q=OCR)-1.5 实现了 6.37 倍的 Transformer 推理加速 (https://huggingface.co/papers?q=inference%20speedup) 以及在 vLLM 下 2.14 倍的加速，成为轻量级 OCR (https://huggingface.co/papers?q=OCR) VLM 中推理速度最快的模型。在能力方面，我们提出了 Agentic Data Flow (https://huggingface.co/papers?q=Agentic%20Data%20Flow)，一个 Agent 驱动的数据构建系统，将模型弱点转化为可执行的数据需求，并自主完成素材搜索、质量验证和流程开发。它显著提升了古文字 OCR (https://huggingface.co/papers?q=OCR)、细粒度图表和表格解析、多图像文本问答、低资源多语言解析以及文档幻觉评估等长尾能力。HunyuanOCR (https://huggingface.co/papers?q=OCR)-1.5 在 OmniDocBench v1.6 上位列顶级端到端 OCR (https://huggingface.co/papers?q=OCR) 解决方案，同时在这些长尾任务上取得了新的性能里程碑。结合升级的预训练 (https://huggingface.co/papers?q=pretraining) 和后训练 (https://huggingface.co/papers?q=post-training) 方案，HunyuanOCR (https://huggingface.co/papers?q=OCR)-1.5 进一步扩展了在高分辨率、长上下文和多任务场景下的能力。实验证明，该模型推理更快、OCR (https://huggingface.co/papers?q=OCR) 能力覆盖更广，并展现了轻量级端到端模型 (https://huggingface.co/papers?q=end-to-end%20model) 的部署优势。我们将发布模型权重和训练代码，以支持未来的研究和实际 OCR (https://huggingface.co/papers?q=OCR) 应用。

查看 arXiv 页面 (https://arxiv.org/abs/2607.04884) 查看 PDF (https://arxiv.org/pdf/2607.04884) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.04884)

在您的 Agent 中获取这篇论文：

hf papers read 2607\.04884

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型 2

tencent/HunyuanOCR 图像-文本-文本 • 1B • 更新于 1 天前 • 505k • 764 (https://huggingface.co/tencent/HunyuanOCR)

Evan-613/HunyuanOCR 图像-文本-文本 • 1B • 更新于约 5 小时前 (https://huggingface.co/Evan-613/HunyuanOCR)

引用该论文的数据集 0

没有与该论文关联的数据集

请在数据集的 README.md 中引用 arxiv.org/abs/2607.04884，以便从此页面关联。

引用该论文的 Spaces 14

浏览引用该论文的 14 个 Spaces (https://huggingface.co/spaces?arxivIds=2607.04884)

包含该论文的收藏集 0

没有包含该论文的收藏集

请将该论文添加到一个收藏集 (https://huggingface.co/new-collection) 中，以便从此页面关联。