一句话看懂：腾讯混元发布了仅 1B 参数（约十亿参数）的端到端 OCR 大模型 HyOCR-1.5，实现训练、推理、权重全栈开源，并引入 DFlash 投机解码框架，将推理速度最高提升 6.37 倍。该模型在文档解析、古文字识别、图表解析等多项基准测试中达到或超越更大规模模型的表现，为轻量化、高性能的 OCR 方案提供了新的选择。
事件核心：发生了什么
腾讯混元团队在 HyOCR-1.0 基础上迭代出 HyOCR-1.5，模型参数维持在 1B，但通过多项技术升级显著提升了性能与效率。核心变化有三：一是引入 DFlash 投机解码，利用约 90.7M 参数的轻量草稿模型并行预测，在保证输出分布不变的前提下，让 Transformers 推理加速 6.37 倍、vLLM 推理加速 2.14 倍；二是采用 Agentic Data Flow 智能体驱动数据构造，自主补足低资源语种（331 种语言）、古文字识别、多图问答等能力短板；三是升级训练配方，支持 4K 分辨率输入、128K 上下文窗口，并引入强化学习（RL）优化，提升模型对文档事实的忠实度。
在公开评测中，HyOCR-1.5 在文档解析基准 OmniDocBench v1.6 上取得 94.74 分，位居端到端 OCR 专家模型首位；在古文字基准 Chronicles-OCR 上的表现大幅领先 GPT-5、Gemini 3.1 Pro 等通用大模型；在图表解析基准 ChartArena 上以 1B 体量达到 8B 级模型水平。目前，模型权重、训练代码和推理框架已在 GitHub、Hugging Face 和 arXiv 上完全开源。
为什么重要
HyOCR-1.5 的意义在于它尝试打破了“精度、速度、成本”三者不可兼得的传统认知。在文档密集的 B 端场景中（如合同审核、发票识别、PDF 解析），传统端到端模型因自回归解码机制，处理长文本或复杂表格时延迟线性增长，而两阶段级联方案虽然快，但需额外进行版面切分和区域处理。HyOCR-1.5 通过 DFlash 投机解码，在保持端到端统一架构的同时，做到了比多数级联方案更快的推理速度，并支持在 CPU、消费级显卡甚至普通笔记本上通过 llama.cpp 部署。
此外，其 Agentic Data Flow 数据构造方法为业界提供了一个可复现的范例——将模型能力短板反向转化为数据生产需求，由智能体自主完成数据搜集、清洗和管线迭代，有望整体降低 OCR 模型在多语种、复杂版面等长尾场景中的优化成本。
对用户/开发者/创作者的影响
对开发者和企业用户：HyOCR-1.5 的全栈开源降低了 OCR 技术的定制门槛。开发者可直接基于 1B 模型在消费级显卡上进行微调，而无需昂贵的服务器集群完成二次开发。DFlash 加速框架对长文档（表格页、公式页）的效率提升最为显著（vLLM 下加速比可达 2.30×），企业若处理大量结构复杂的合同或论文，部署后可大幅降低推理延迟与硬件成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户与创作者（C 端）：模型支持通过 llama.cpp 在个人笔记本上离线运行，这意味着文档扫描、图片转文字、拍照翻译、多页 PDF 问答等功能可以在本地完成，无需将敏感数据上传云端。这对于处理个人隐私文档（如身份证、合同）的用户尤其有价值。
值得关注的后续
1. 开源社区落地与二次开发热度：HyOCR-1.5 的全栈开源能否吸引足够的开发者进行微调、适配本地场景，是其生态能否扩大的关键。可观察 GitHub 仓库的 Fork 与 Issue 活跃度、Hugging Face 上权重下载量。2. 竞品快速跟进的可能性：目前 Palo、GLM-OCR 等两阶段方案已率先部署 DFlash，说明这一加速路径已被多家认可。接下来，其他厂商是否会在端到端统一方案中引入类似投机解码，或推出更低参数规模的模型，将直接影响技术路线的竞争格局。3. 幻觉抑制方向的持续攻坚：作者团队在 CHAOS-Bench 测试中主动坦承模型在“忠实生成”方面的不足，说明视觉忠实度仍是未来优化的核心方向。后续是否针对这一指标推出新的训练方法或评测基准，值得关注。
来源：公众号：腾讯混元
