腾讯开源HunyuanOCR：以1B参数覆盖9大场景，支持百种语言

在OCR领域常陷入“大参数换高性能”的内卷时，腾讯混元于11月25日开源的HunyuanOCR，以1B的轻量化参数实现了颠覆性突破。这款依托混元原生多模态架构打造的端到端OCR专家模型，不仅在多项权威测评和赛事中斩获SOTA成绩，还凭借全场景适配、极致易用等优势，大幅降低了高精度OCR技术的部署与使用成本，为个人开发者、中小企业乃至行业级应用提供了高性价比的解决方案。目前用户可通过Hugging Face空间直接体验该模型的各项功能。

• 项目主页：https://hunyuan.tencent.com/vision/zh?tabIndex=0
• GitHub：https://github.com/Tencent-Hunyuan/HunyuanOCR
• 模型：https://huggingface.co/tencent/HunyuanOCR

硬核成绩：轻量化参数创下多项行业顶尖水平

HunyuanOCR最亮眼的地方，在于以远低于行业同类模型的参数规模，实现了碾压级的性能表现，在权威测评和赛事中屡屡突围：

1. 复杂文档解析登顶：在复杂文档解析领域的OmniDocBench测评中，它拿下94.1分的最高分，这一成绩直接超越了谷歌Gemini3 - pro等一众行业领先模型。其解析能力十分全面，能将多语种文档扫描件或拍摄图电子化，文本按阅读顺序梳理，公式转为Latex格式，复杂表格生成HTML格式，适配专业学术与商务文档处理场景。
2. 综合能力领跑小参数阵营：在OCRBench榜单上，HunyuanOCR以860分的总成绩，成为总参数3B以下（含通用视觉理解模型）的SOTA持有者。要知道其参数仅1B，这种“小身材爆发出大能量”的表现，打破了参数体量与性能强绑定的固有认知。
3. 小语种翻译夺冠：在ICDAR2025端到端文档翻译比赛的小模型赛道中成功夺冠，它能支持14种高频小语种与中文、英文的互译，精准解决跨境文档沟通中的语言障碍。
4. 全场景检测识别领先：在腾讯自建的覆盖文档、艺术字、街景、手写、广告等9大主流应用场景的基准测试中，其文字检测和识别能力大幅超越同类开源模型及商业OCR模型，轻松应对日常与专业场景中的复杂文字形态。

技术内核：三大组件+端到端范式筑牢优势

HunyuanOCR的高性能并非偶然，其核心得益于独特的架构设计与训练范式，既保证了性能，又控制了模型体量：

1. 三大核心组件构建基础：模型由原生分辨率视频编码器、自适应视觉适配器和轻量化混元语言模型三部分组成。这种架构既能精准捕捉图像中的文字细节与时空信息，又能通过语言模型强化对多语种文字的理解，适配从图片到视频的多类文本载体。
2. 端到端范式提升效率：区别于业界常见的级联方案，HunyuanOCR的训练和推理全程采用全端到端范式。加上规模化高质量应用导向数据的喂养和在线强化学习的加持，模型仅需单次前向推理，就能完成从文字检测到信息输出的全流程，不仅减少了中间环节的误差，还大幅提升了处理效率。
3. 轻量化设计降低门槛：通过混元原生多模态架构与专属训练策略，在将参数控制在1B的同时，没有牺牲核心性能。这种轻量化特性让模型部署成本大幅降低，无论是个人开发者的电脑，还是中小企业的轻量化服务器，都能顺畅运行。

全场景适配：覆盖从日常到专业的多元需求

凭借强大的综合能力，HunyuanOCR打破了单一OCR模型的场景局限，能从容应对多类实用需求，适配不同行业与人群：