腾讯混元OCR模型宣布开源：参数仅1 B，多项核心能力SOTA
IT之家 11 月 25 日消息，腾讯混元今日宣布推出全新开源模型 HunyuanOCR ，参数仅为 1B，依托于混元原生多模态架构打造，获得多项业界 OCR 应用榜单 SOTA（IT之家注：最先进水平）成绩。
腾讯官方表示，得益于混元原生多模态大模型“端到端”的理念设计，HunyuanOCR 各项功能仅需单次前向推理即可直达最优结果。
混元 OCR 专家模型依托于混元原生多模态架构打造，主要由三大部分组建构成： 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 。
不同于其他开源的 OCR 专家模型或系统，HunyuanOCR 模型的训练和推理均采用全端到端范式，通过规模化的应用导向数据，结合在线强化学习，模型表现出了稳健的端到端推理能力。
混元 OCR 多项核心能力达到 SOTA 效果，其中在复杂文档解析的 OmniDocBench 测评中，获得了最高的 94.1 分， 效果超过了谷歌的 Gemini3-pro 等一众领先的模型 ；文字检测和识别能力，在自建覆盖了 9 大应用场景（文档、艺术字、街景、手写、广告、票据、截屏、游戏、视频）的基准上，大幅度领先同类开源模型以及商业 OCR 模型；在 OCRBench 榜单上， 总得分为 860 分，以仅仅 1B 总参数的模型配置，取得了包括通用视觉理解模型在内总参数 3B 以下的 SOTA 成绩 。
在小语种翻译能力，混元 OCR 支持 14 种高频小语种翻译翻译中文或英文的效果，并且取得了 ICDAR2025 端到端文档翻译比赛小模型赛道冠军。
应用场景方面，HunyuanOCR 支持多语种复杂文档解析，同时兼具文字检测和识别能力，在票据字段抽取、视频字幕识别、拍照翻译等场景得到应用。
在文字检测和识别能力上，模型对文档、艺术字、街景、手写、广告、票据、截屏、游戏、视频等场景上表现卓越。
复杂文档解析指的是对多语种文档扫描件或拍摄图像进行电子化，具体地，就是将图片中出现的文本内容按照阅读顺序进行组织、公式采用 Latex 格式、复杂表格采用 HTML 格式表达。
此外常见的应用场景还要票据字段提取、视频字幕提取和拍照翻译等功能。
1、对常见卡证和票据的感兴趣字段（如姓名 / 地址 / 单位等），采用标准的 json 格式解析。
2、对视频的字幕实现自动化抽取，包括双语字幕。
3、拍照翻译功能，支持 14 种高频应用小语种，具体包括：德语、西班牙语、土耳其语、意大利语、俄语、法语、葡萄牙语、阿拉伯语、泰语、越南语、印尼语、马来语、日语、韩语翻译成中 / 英文，以及中英互译功能。
关键词 :
端到端 腾讯
新浪科技公众号
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
大幅落后小米、美的与海尔，格力真的需要反思了
马斯克亲自点名Karpathy迎战Grok 5！别神话LLM，AGI还要等十年
鸿蒙速度：从不完美的登场 到三足鼎立的科技竞速
小鹏X9超级增程订单爆发 供应链紧急加产5000台
曲屏再见！华为手机直屏时代正式来临：Mate 80系列全系3D人脸大直屏
最强Mate成了！华为Mate 80系列供不应求：发货已排到明年
英伟达业绩难解人工智能泡沫担忧
京东物流重要进展！我国吨级eVTOL贵州首飞：送货效率提升超80%
荣耀500系列发布：双超配置重塑档位标准，售价2699元起
禾赛CEO炮轰「数字激光雷达」：假的，纯营销
亚太唯一！Gartner最新报告：阿里云在生成式AI四大维度均领先
我国“人造太阳”有望2年后“点燃”：聚变功率可达200兆瓦
东北一洗浴中心回应接待印度人后濒临倒闭：没办法拒之门外 一视同仁
大幅落后小米、美的与海尔，格力真的需要反思了
美的集团董事长方洪波成为仰望 U8L 车主，比亚迪王传福亲自交车
鸿蒙速度：从不完美的登场 到三足鼎立的科技竞速
小鹏X9超级增程订单爆发 供应链紧急加产5000台
小米股价持续下跌 跌破40港元！雷军出手：个人斥资超1亿港元增持公司股票
全新小鹏 P7 专属车标免费从 18K 金升级为 24K 金
豆包输入法上线，用了两天我在微信聊天不想再打字
央采便携式计算机结果出炉 华为、浪潮、戴尔纷纷落选！
苹果实现新突破：iPhone Fold无折痕