混元自研的OCR模型，来了。
11月25日，腾讯混元推出全新开源模型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（最先进水平）成绩。
HunyuanOCR具有高度易用性，不仅体积小，便于部署，得益于混元原生多模态大模型"端到端"的理念设计，各项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，性价比高。
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，通过规模化的高质量应用导向数据，结合在线强化学习，模型表现出了非常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 精通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广泛应用。
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。 | 
