HunyuanOCR

HunyuanOCR是騰訊混元團隊於2025年11月25日開源的一款輕量級OCR專用視覺語言模型，參數規模為1B，採用原生ViT與輕量LLM結合的純端到端架構。該模型在輕量框架內統一支持文字檢測與識別、複雜文檔解析、信息抽取、視覺問答和拍照翻譯等多任務。

HunyuanOCR在多項評測中表現突出，在OmniDocBench複雜文檔解析基準獲得94.1分，在OCRBench的3B以下規模模型中成績領先，並在ICDAR 2025 DIMT挑戰賽小模型賽道獲得冠軍。模型支持14種小語種翻譯，其技術已套用於票據欄位抽取、視頻字幕識別等場景。

基本介紹

• 外文名：HunyuanOCR
• 推出單位：騰訊混元
• 推出時間：2025年11月25日
• 參數：1B

簡介

HunyuanOCR（騰訊混元OCR專家模型）是由騰訊混元大模型團隊於2025年11月25日開源的，一款商業級、開源且輕量（1B參數）的OCR專用視覺語言模型。HunyuanOCR是混元原生多模態端到端OCR專家模型，主要由三大部分組建構成：原生解析度視覺編碼器、自適應視覺適配器和輕量化混元語言模型。

該模型採用純粹的端到端訓練與推理範式，各項任務僅需單次前向推理即可完成，解決了傳統級聯方案錯誤累積和部署複雜的問題。

核心技術

HunyuanOCR採用由原生解析度視覺編碼器、自適應視覺適配器和輕量級語言模型構成的協同架構。視覺編碼器基於SigLIP-v2-400M，引入自適應Patching機制支持任意解析度輸入。視覺適配器為可學習的MLP連線器，通過池化操作壓縮高解析度特徵並保留關鍵語義。語言模型基於Hunyuan-0.5B，通過引入XD-RoPE技術，將一維文本、二維版面及三維時空信息進行解耦與對齊，賦予模型處理複雜排版與跨頁推理的能力。

HunyuanOCR摒棄了傳統OCR流水線中依賴版面分析等前處理的模式，採用純粹的端到端訓練與推理範式。該模型通過單次前向推理即可完成從圖像到結構化文本的直接映射，從根本上解決了多階段流水線中的錯誤累積問題。

為提升模型在多語言、多場景及複雜版面下的能力，研究團隊構建了包含超2億“圖像-文本對”的大規模高質量多模態訓練語料庫。該庫整合了公開基準、網路數據及合成數據，覆蓋文檔、街景、廣告、手寫體、截屏、票據卡證、遊戲界面、視頻幀及藝術字型等9大核心場景，以及超過130種語言。

HunyuanOCR採用循序漸進的四階段預訓練策略。Stage-1（熱身階段）凍結LLM，訓練ViT與適配器，實現視覺特徵與文本語義空間的對齊。Stage-2解凍所有參數進行端到端多任務學習，增強對複雜結構化內容的理解。Stage-3將上下文視窗擴展至32k，訓練長文檔處理能力。Stage-4進行套用導向的退火訓練，結合人工標註與高質量合成數據，規範模型回響模式。

HunyuanOCR創新性地將強化學習套用於輕量級OCR模型。針對OCR任務特點，採用混合獎勵策略：對於文字檢測識別和文檔解析等具有封閉解的任務，採用基於可驗證獎勵的強化學習；對於翻譯和VQA等開放式任務，則採用基於LLM-as-a-judge的獎勵機制。訓練採用群組相對策略最佳化（GRPO）算法，並引入嚴格的長度與格式約束以確保訓練穩定性。

發展歷史

2025年11月25日，騰訊混元宣布推出開源模型HunyuanOCR，參數僅為1B。

2025年11月30日，騰訊混元大模型團隊發布並開源HunyuanOCR模型，詳細揭秘模型核心技術。

2026年1月6日，騰訊混元高級算法工程師萬星宇在CSIG文檔圖像微沙龍分享HunyuanOCR技術成果。

運營模式

HunyuanOCR採用開源策略進行運營與推廣，模型於2025年11月25日正式宣布開源，其代碼與模型權重已在Hugging Face、ModelScope、GitHub等主流開源平台發布。為方便開發者部署套用，項目團隊提供了基於vLLM的高性能部署方案，支持在消費級GPU（如RTX 4090D）上運行，並詳細說明了運行環境要求。在開源社區中，HunyuanOCR獲得了廣泛關注，其GitHub倉庫星標數已突破一萬，在Hugging Face趨勢榜排名前列，並獲得了vLLM官方團隊的快速接入與支持。此外，得益於其輕量化、端到端的特性，HunyuanOCR展現出跨平台套用的潛力，已被探討融入鴻蒙等作業系統生態的可能性。

核心團隊

HunyuanOCR模型由騰訊混元大模型團隊研發。該團隊的主要貢獻者包括高級算法工程師萬星宇。萬星宇為西安交通大學博士，負責混元多模態理解OCR專項最佳化工作。其相關技術報告《HunyuanOCR Technical Report》發表於2025年。

技術影響與開源生態

該模型在多項權威評測中取得了領先成績，在複雜文檔解析基準OmniDocBench上獲得94.1分，效果超過了谷歌的Gemini3-pro等模型；在OCRBench榜單上以860分取得了3B以下模型的SOTA成績；並榮獲ICDAR 2025 DIMT挑戰賽（小模型賽道）冠軍。在自建的覆蓋文檔、藝術字、街景、手寫、廣告、票據、截屏、遊戲、視頻等9大套用場景的基準上，其文字檢測和識別能力大幅度領先同類開源模型以及商業OCR模型。

模型於2025年11月25日宣布開源後，迅速獲得了開發者社區的廣泛關注。開源當日（Day 0）即被vLLM官方團隊接入。模型在Hugging Face平台開源後迅速登上趨勢榜前四，其在GitHub倉庫的標星數也迅速增長，據2026年初的社區反饋已突破一萬。其開源與易用性（提供基於vLLM的高性能部署方案）降低了使用門檻，已被開發者用於構建OCR模型對比套用等實際項目中，推動了OCR技術在科研與工業場景的落地。