腾讯混元发布 HyOCR-1.5：仅 1B 参数 推理提速 6.37 倍

一句话看懂：腾讯混元团队发布轻量级端到端OCR专家模型HyOCR-1.5，在仅1B参数规模下，通过自研投机解码框架实现6.37倍推理加速，并在古籍识别等长尾任务上达到8B模型水平，同时全栈开源了模型权重、训练配方和推理框架。

事件核心：发生了什么

7月14日，腾讯混元团队正式发布HyOCR-1.5，这是一个专注于光学字符识别的端到端模型。该模型仅有1B参数，属于轻量级架构，但通过两项关键技术实现了显著提升：一是“DFlash”投机解码框架，利用约90.7M参数的小模型进行并行预测，在OmniDocBench评估中实现6.37倍推理加速并保证输出准确性；二是“智能体驱动数据流”策略，将模型弱点转化为任务目标，由智能体自动分解、收集和验证数据，针对性提升了古籍识别、低资源语言处理和跨页多图问答等长尾场景能力。此外，它支持4K分辨率输入和128K上下文窗口，提升了复杂文档处理鲁棒性。HyOCR-1.5还首次在该领域实现全栈开源，包括模型权重、训练配方、数据构建方法和推理加速框架。

为什么重要

在OCR领域，长期存在“精度与速度难以兼顾”的挑战。HyOCR-1.5以1B参数在OmniDocBench上达到端到端模型第一梯队，同时在古籍和图表解析任务上与8B规模通用模型持平，说明轻量化架构结合专项优化可以部分替代“堆参数”路线。更重要的是，全栈开源降低了开发门槛：开发者能在消费级GPU甚至普通笔记本上复现、微调和部署，对学术研究和中小企业技术接入意义明显。此外，DFlash的6.37倍加速直接缓解了长自回归解码带来的延迟瓶颈，让端到端OCR从实验室走向实时应用成为可能。

对用户/开发者/创作者的影响

对开发者而言，HyOCR-1.5的完全开源提供了低成本入局方案：无需巨额算力即可微调出适合特定文档（如古籍、票据、多语言合同）的OCR模型。对内容创作者和办公用户，推理速度的大幅提升意味着在文档扫描、图片转文字等场景下等待时间显著缩短。对企业采购者，1B参数模型能部署在边缘设备或低配服务器上，降低云端调用成本。对于希望构建多模态智能体的团队，HyOCR-1.5作为“基础视觉文本理解模块”，可以嵌入问答、检索等下游流水线。

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。

了解 GamsGo AI

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。

值得关注的后续

第一，HyOCR-1.5是否提供API接口或商业版服务，以及定价策略如何；第二，开源社区能否基于其训练配方快速衍生出更多垂直领域版本（如医学单据、法律文书）；第三，这一端到端加全栈开源的模式是否会被其他团队模仿，成为OCR领域的新范式。

来源：AIbase