【第486期】HunyuanOCR：通用端到端视觉语言模型技术报告

Seventy3 · Jan 28, 2026 · 17m

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

今天的主题是：

HunyuanOCR Technical Report

Summary

本文提出 HunyuanOCR，一款面向 OCR 任务的商用级、开源且轻量化（10 亿参数）视觉—语言模型（Vision-Language Model，VLM）。其架构由原生视觉 Transformer（ViT）与轻量级大语言模型（LLM）组成，并通过 MLP 适配器进行连接。HunyuanOCR 展现出卓越性能，全面超越商业 API、传统 OCR 流水线以及更大规模的模型（如 Qwen3-VL-4B）。在感知类任务（文本检测与识别、文本解析）上，其性能优于当前公开方案；在语义类任务（信息抽取、图像文本翻译）上同样表现突出，并在 ICDAR 2025 DIMT 挑战赛（小模型赛道）中获得第一名。此外，HunyuanOCR 在 OCRBench 上取得了参数规模小于 30 亿的 VLM 中的最优（SOTA）成绩。

HunyuanOCR 在以下三个关键方面实现了突破：

通用性与效率的统一：在轻量化框架下，模型全面支持文本检测与识别、解析、信息抽取（IE）、视觉问答（VQA）以及翻译等核心能力，弥补了传统“专用 OCR 模型”能力单一以及“通用…