25日，腾讯混元大模型团队推出开源OCR模型HunyuanOCR，以仅1B参数量在多项OCR应用评测中达到当前最优效果。

11月25日，腾讯混元大模型团队宣布推出开源OCR模型HunyuanOCR，参数规模为1B（10亿）。该模型基于混元原生多模态架构构建，在复杂文档解析、多场景文字检测与识别等多项OCR应用评测中取得当前最优（SOTA）效果。

HunyuanOCR采用端到端训练推理范式，通过单次前向推理即可完成多项任务，相比传统级联方案更具效率优势。

01 模型架构：三组件协同设计

HunyuanOCR作为混元原生多模态端到端OCR专家模型，其架构主要由三大核心组件构成。

原生分辨率视频编码器负责处理高质量视觉输入，自适应视觉适配器起到桥梁作用，而轻量化混元语言模型则承担理解与输出任务。

这种设计使模型在保持仅1B参数量的同时，能够高效处理复杂OCR任务。

与传统OCR系统不同，HunyuanOCR的训练和推理均采用全端到端范式，通过规模化的高质量应用导向数据结合在线强化学习，表现出非常稳健的端到端推理能力。

02 性能表现：多项评测领先

在具体性能表现上，HunyuanOCR在多项权威评测中展现出领先优势。

在复杂文档解析的OmniDocBench测评中，HunyuanOCR获得了94.1分的最高分，效果超过了谷歌的Gemini3-pro等一众领先模型。

在文字检测和识别能力方面，该模型在覆盖文档、艺术字、街景、手写、广告、票据、截屏、游戏、视频等九大应用场景的基准测试上，大幅度领先同类开源模型以及商业OCR模型。

同时，在OCRBench榜单上，HunyuanOCR总得分为860分，以仅1B的总参数配置，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。

03 多语言支持与实战应用

HunyuanOCR还具备强大的多语言支持能力，可支持14种小语种翻译，并在ICDAR2025文档翻译比赛中获得小模型赛道冠军。

目前，该模型已应用于多个实际场景，包括票据字段抽取、视频字幕识别及拍照翻译等，并正式对外开放源代码。

得益于混元原生多模态大模型“端到端”的理念设计，HunyuanOCR展现出高度易用性，不仅体积小便于部署，而且各功能仅需单次前向推理即可直达最优结果，较业界级联方案更高效和便捷。

> 随着HunyuanOCR的开源，开发者和企业能够更方便地将高性能OCR能力集成到自己的应用中。

> 这款仅1B参数的“小模型”展现出的“大能力”，预示着OCR技术将在更多场景中落地生根。