OCR 模型的全面开源，等了太久了。腾讯混元直接把训练流水线、推理代码和完整模型权重打包扔到了社区脸上——HyOCR-1.5，一个只有 1B 参数的端到端 OCR 专家模型，在 OmniDocBench v1.6 上以 94.74 分把所有对手甩在身后。没有挤牙膏式的能力释放，没有藏着掖着的权重分支，这回是真的“权重级”开源。
过去做文档解析，你得在检测、识别、版面分析、表格提取之间串一圈模型，每个模型都像性格迥异的流水线工人，任何一个掉链子，整条线就得停摆。HyOCR-1.5 改掉了这套陈旧的游戏规则。它用一个 1B 级别的端到端模型，统一吃掉至少 8 种 text-centric 任务，同时把推理速度拉到每页 1.408 秒，并且通过 DFlash 投机解码框架 在 Transformers 下实现 6.37 倍加速，在 vLLM 下 2.14 倍加速。这个成绩不是玩具级别的 demo，是你可以通过 llama.cpp 在本地直接部署、直接跑生产的能力。
一个模型吃掉整条流水线，1B 参数怎么做到的
8 种任务装进一个盒子里的实用主义
别再迷信“大即强”了。HyOCR-1.5 把文字检测、文字识别、版面分析、表格结构识别、公式识别、印章识别、文字方向分类、手写识别等至少 8 种核心任务，全部在一个端到端的序列里完成。它不依赖外挂检测器，不依赖分阶段的微调管线，输入一张 4K 分辨率的文档图片，直接输出结构化的文本和位置信息。这种“一镜到底”的做法，意味着在复杂版面、多栏混排、图表交错的场景下，不再需要承担模块间误差传导的苦果。过去用级联模型做财报解析，表格线和文字框老是打架；现在一个模型看全局，框线归属、阅读顺序、公式嵌入全在一个上下文里决策。
投机解码让推理不再磨洋工
端到端模型的一个传统毛病是推理慢，尤其是处理高分辨率图像时，自回归解码会让延迟堆成山。HyOCR-1.5 的核心加速引擎叫 DFlash，一个专门为文档理解定制的投机解码框架。传统投机解码靠草稿模型“猜” tokens，DFlash 更激进——它在文档场景下根据视觉特征和文本结构做批量推测，一次性生成多个候选序列，再交给主模型快速校验。结果就是每页端到端 1.408 秒的速度，配合 4K 分辨率原图直入和 128K 上下文窗口，长篇合同、扫描书籍、学术论文的批量解析终于有了工业级可用的解。
4K 原图和 128K 上下文：不用切，不用猜
文档解析最烦人的操作之一是切图。把一张 A3 报表切成 6 块，每块单独送进 OCR，再拼接回去，不光文字被切碎，表格跨页、长公式截断的风险也直线上升。HyOCR-1.5 支持 4K 分辨率直接输入，并且在 128K 的上下文窗口里理解整个页面，甚至多页关联内容。换句话说，一摞论文丢进去，它有能力跨页追踪表格的续表和参考文献的对应关系，不再需要工程师手动写复杂的后处理逻辑。这让合同审查、档案数字化这类对连续性要求极高的任务，终于有了原生的端到端方案。
331 种语言、古文字和多图问答，这口井挖得够深
Agentic Data Flow：用模型喂模型，低资源语言不再低资源
多数 OCR 模型对中英文以外的语言处理得相当粗糙，更不用说古文字和手写体。HyOCR-1.5 的把戏是一个叫 Agentic Data Flow 的数据生成框架。这套机制利用强大的多模态大模型作“教师”，自动为低资源语言和古文字生成高质量的训练样本，涵盖 331 种语言——从乌尔都语到楔形文字，从藏文到埃及圣书体。它不是在原有数据上做简单的旋转裁剪，而是模拟真实文档的退化、渍痕、笔画异变，用 Agent 驱动的流程批量制造泛化性更强的数据。这样产出的模型，在少数民族文献、古抄本、碑刻拓片这类场景下不再捉襟见肘，完全推开了人文科研究数字化的那扇窄门。
多图问答：OCR 模型的角色在变
HyOCR-1.5 的能力边界已经超出了传统 OCR。它支持多图问答——给定多张图片，你可以直接提问：“这两页发票的税额差异是多少？”“按时间顺序列出所有批示意见”。模型会结合文字识别结果和版面上下文，给出推理后的答案。这不是简单的文字提取加问答模型拼接，而是在一个专家模型中完成阅读、定位、逻辑关联和回复生成。文档智能的角色正在从“翻译图片里的文字”变为“理解一叠文件的内容”，HyOCR-1.5 是这一转变中少数真正把能力交付出来的模型。
开源不是口号，是 llama.cpp 就能跑
开源生态里最令人兴奋的一点，是 HyOCR-1.5 已经适配 llama.cpp。这意味着你不需要昂贵的 GPU 集群，一台配置过得去的开发机，甚至一台带有统一内存的 MacBook，就能本地跑起这个 1B 参数的端到端 OCR 专家模型。对需要处理敏感数据的银行、律所、医院而言，本地部署且性能不掉队，是一个无法拒绝的组合。训练代码、推理脚本、模型权重全部公开，没有空话，直接把生产级能力交到开发者手里。
OmniDocBench 登顶不是偶然，评价标尺该换了
94.74 分是怎么打出来的
OmniDocBench v1.6 是所有端到端文档理解模型必须跨越的一道坎，它评测的不是单一指标，而是文档阅读、布局分析、文字识别、实体抽取等复合能力的综合得分。HyOCR-1.5 以 94.74 分拿下端到端第一，这个分数跳动不是小数点后的游戏。它代表模型在复杂有框表格、无框表格、多方向文字、模糊扫描件、水印干扰这些现实世界里最常见的硬骨头面前，仍然保持了极高的准确性和一致性。过去不少模型在干净数据集上能刷 99%，一遇到真实扫描件就趴窝；HyOCR-1.5 在 Omnifile 评测集上证明了它扛得住现实世界的脏活。
别再分模块打分了，文档理解要端到端
行业里持续了很久的陋习，是把文档解析拆成六个独立模块，各自报分，最后拼出一个看起来漂亮的整体数字。这种做法掩盖了模块间协调失败、后处理规则爆炸的真实成本。HyOCR-1.5 选择在端到端评测体系里证明自己，其实是在倒逼行业承认：文档 AI 的终极指标不是“检测框 AP 多少”，不是“文字识别准确率几个九”，而是给定一张或一组图片，模型能否高效输出正确、结构完整的结果。OmniDocBench 的榜首成绩，是这种评价哲学转变的一声响亮的注脚。
这一次，模型、加速方案、训练框架和权重全部摆在桌面上。对于还在观望文档智能落地的团队来说，已经没有“生态不成熟”的借口了。1B 参数，一张普通显卡就能跑，331 种语言，古文字识别，多图问答——这些词叠在一起，正在重新定义什么才是真正可用的 OCR 开源模型。
