混元OCR模型核心技术揭秘：统一框架、真端到端

腾讯混元团队发布并开源轻量级OCR模型HunyuanOCR（1B参数），采用端到端ViT+LLM架构，在文本检测、复杂文档解析等方面超越现有方案，获ICDAR 2025小模型赛道冠军，并在OCRBench实现3B以下模型SOTA。其构建了超2亿图像-文本对的多语言数据集，支持130种语言及9类真实场景，结合四阶段预训练与强化学习优化，在信息抽取、图像翻译等任务中表现突出。模型已开源，Hugging Face趋势榜前四，GitHub星标超700，且被vLLM官方当日接入，助力科研与工业应用。
来源：https://mp.weixin.qq.com/s/MTIQcsxDWD476XmG2zfLgg