1B参数，文档解析推理速度6倍加速。腾讯混元这份OCR报告，把小模型的天花板捅穿了。

PDF链接：https://arxiv.org/pdf/2607.04884v1 

2026年7月7日，腾讯混元团队放出了HunyuanOCR-1.5的技术报告。我读完之后的第一感受是，这帮人真的很清楚自己要干什么。

1B参数的模型，在OmniDocBench文档解析榜单上拿到94.74分，排第一。这个榜单上排在它后面的，有3B的DeepSeek-OCR 2，有7B的olmOCR，甚至有30B+的通用大模型。一个1B的小家伙，把一群比自己大3倍到30倍的模型按在地上摩擦。

更离谱的是速度。用他们自研的DFlash加速方案，Transformers框架下推理速度提升6.37倍，vLLM框架下提升2.14倍。在所有轻量级OCR模型里，推理速度排第一。

你可能觉得这两个数字没什么感觉。这么说吧，OCR场景有个很现实的问题，文档解析的输出往往特别长，一页密密麻麻的表格或者公式，动辄几千个token。模型再准，如果一个字一个字往外蹦，用户等得花儿都谢了。HunyuanOCR-1.5用1B的体积做到了最准，又用DFlash让这个最准的模型跑得最快。

小模型，大能力，还快。这三件事通常只能选两个，它全都要了。

怎么做到的？报告里给了两个答案，一个让它更快，一个让它更强。

先说快的，DFlash怎么把推理提速6倍的

要理解DFlash，得先知道一个背景。

OCR模型生成文本的方式叫「自回归解码」，说人话就是逐字生成，一个字接一个字往外蹦。这种方式有个好处是质量高，因为每个字都经过充分计算。坏处也很明显，慢。特别长文档解析这种场景，一页表格可能要输出上千个token，每个token都要跑一遍完整的模型前向传播，延迟就上去了。

学术界有个思路叫「投机解码」。大意是，用一个很小很快的草稿模型先猜一批token，然后让大模型一次性验证这批token对不对。猜对的直接接受，猜错的再让大模型重新生成。这样大模型一次前向传播就能处理好几个token，速度自然就快了。

但传统的投机解码有个问题，草稿模型生成token的方式也是逐字的，所以草稿模型本身也有延迟。猜的token越多，草稿模型的延迟也越大。

DFlash的思路不一样。它用一个轻量级的块扩散草稿模型，一次性并行生成一整块token，不是一个一个猜，而是一把猜一整排。然后大模型再一次性验证这整块。报告里说草稿模型只有大概90.7M参数，block size设为16，也就是每次一把猜16个token。

你想想看，原来的流程是，大模型生成1个token需要1次前向传播。现在DFlash的流程是，草稿模型1次并行生成16个候选token，大模型1次前向传播验证这16个，平均能接受8-9个。也就是说，大模型每跑1次前向传播，能产出8-9个token。这就是6.37倍加速的来源。

而且报告里有个很有意思的发现，DFlash对表格页面的加速效果最好，其次是公式页面，最后是纯文本页面。原因也很好理解，表格的HTML结构特别规整，未来token很容易预测，草稿模型的命中率自然就高。公式其次，纯文本最不可预测。

还有一个规律，输出越长，加速越明显。在vLLM框架下，256 token以内的短输出只加速1.31倍，但2048 token以上的长输出能加速2.30倍。这也符合直觉，输出越长，投机解码能省的前向传播次数越多。

坦率的讲，DFlash做的事情就是，把原本浪费的算力利用起来。在低并发的推理场景下，大模型的自回归解码其实是被内存带宽限制的，计算资源大量闲置。DFlash用这些闲置算力跑草稿模型，等于不花额外成本就提速了。

速度快了，那能力呢？

再说强的，Agentic Data Flow怎么让模型自我进化的

这部分是我觉得整篇报告最有意思的地方。

模型变强通常有两种路径，一种是堆数据堆算力，用更多更大的数据训练更大的模型。另一种是更聪明地构造数据，精准补齐模型的弱点。HunyuanOCR-1.5选了第二条路，而且用了一个很新的做法，让Agent来驱动数据构建。

他们管这套系统叫「Agentic Data Flow」。核心想法是这样的，与其盲目地增加数据量，不如先搞清楚模型到底哪里不行，然后针对性地造数据来补。

流程大概分几步。

第一步，找出模型的弱点。用HunyuanOCR-1.0去跑各种测试数据，自动收集失败案例。比如哪些图片识别错了，哪些表格结构解析乱了，哪些多栏文档阅读顺序搞反了。这些失败案例就是模型的弱点清单。

第二步，Agent自主搜集材料。拿低资源语言OCR来说，Agent会自己去网上搜索各种语言的文本语料和对应的TTF字体文件。它还要测试每种字体能渲染哪些字符，维护一个语言、字体和可渲染词汇的映射关系。拿古文字OCR来说，Agent会搜索甲骨文、金文、篆书等七种汉字历史形态的字体文件，还会用HunyuanOCR-1.0和Qwen3.5做多重验证，确保收集的背景图片里没有干扰文字。

第三步，Agent自主开发数据生产管线。它会创建数据项目，写渲染脚本或QA生成脚本，定义任务格式，支持不同的排版、背景组合和退化增强。过程中还会跟算法工程师交互，算法工程师看中间样本，指出质量问题，Agent再迭代改进。

第四步，把生成的数据注入训练。

这套流程跑下来，HunyuanOCR-1.5覆盖了331种低资源语言的解析数据，七种汉字历史形态的古文字数据，还有多图问答数据。

我之所以觉得这个思路有意思，是因为它跟通常的「堆数据」完全不同。它不在数据量上做加法，而是在数据质量上做减法，先找到「哪里不行」，再精准地补上「让这里行」的数据。这有点像精准医疗，先做基因检测找到靶点，再针对性给药，而不是不管三七二十一大剂量用药。

而且整个过程是Agent自主完成的。算法工程师只需要用自然语言描述需求，比如「帮我构造低资源语言的OCR数据」，Agent就会自动分解任务、搜集材料、写脚本、跑管线、做质量检查。算法工程师的角色从「亲手做数据」变成了「审核和指导Agent做数据」。

这种做法能不能推广到其他领域？我觉得值得想想。

碾压级的表现，古文字和幻觉

Agentic Data Flow造出来的数据到底有没有用？得看结果。

先说古文字OCR。这个方向有多冷门呢，报告里评测的模型，包括GPT-5、Gemini 3.1 Pro、Claude Opus 4.7、Kimi K2.5（1T参数）这些顶级通用大模型，在古文字（甲骨文、金文、篆书）上的平均分大多在0.03到0.28之间。什么概念，满分1分，大部分模型基本在瞎猜。

HunyuanOCR-1.5的分数是0.54。第二名是Kimi K2.5的0.28。差了将近一倍？？？在成熟文字（隶书、楷书、行书、草书）上，HunyuanOCR-1.5拿了0.79，第二名也是Kimi K2.5的0.71。

然后是文档幻觉。报告里新提了一个评测基准叫CHAOS-Bench，专门测OCR模型的所见即所得能力。做法是这样的，把学术论文图片里某些字改成不存在的乱码字，然后看模型能不能忠实地把这些乱码字识别出来，而不是自作聪明地「纠正」成它觉得合理的词。

这个测试很刁钻。模型如果太依赖语言先验，看到不像词的字就会自动「纠正」，但这就不是忠实的OCR了。真正的OCR应该做到，图片上是什么就输出什么，哪怕它不是个合法的词。

HunyuanOCR-1.5的分数是14.15，第二名DeepSeek-OCR 2是6.33。又是2.2倍的差距。其他模型，dots.ocr只有3.02，GLM-OCR只有5.75。说实话这个绝对分数都不高，说明整个行业在文档幻觉这个问题上还有很长的路要走，但HunyuanOCR-1.5已经甩开第二名一大截了。

不过需要说明的是，CHAOS-Bench是这份报告新提出的评测基准，不是公认的标准benchmark。它的评测方法和数据集还需要社区进一步验证。但从设计思路来看，确实抓住了OCR可靠性的一个核心痛点。

整体实力，OmniDocBench 94.74分

古文字和幻觉是两个亮点，但读者可能更关心整体文档解析能力。

在OmniDocBench v1.6上，HunyuanOCR-1.5拿到94.74分，在所有端到端OCR模型里排第一。排第二的是Unlimited-OCR的93.92分（3B参数），第三是Qianfan-OCR的93.90分（4B参数）。

1B参数，94.74分。这个数字放在整个OCR领域看是什么水平？跟通用大模型比，Gemini 3 Pro是92.91分，Kimi K2.5（1T参数）是84.53分。HunyuanOCR-1.5用1B的体积，超过了参数量大几个数量级的通用大模型。

这不是偶然的。报告里提到几个训练上的升级。预训练阶段把图片分辨率从2K提升到4K，上下文窗口扩展到128K，让模型能处理更密集的文档和更长的结构化输出。后训练阶段用了三重奖励的强化学习方案，一个奖励管文档解析的事实准确性，一个奖励管问答一致性，一个奖励管生成稳定性（专门惩罚过长输出和重复片段）。

这些训练细节我不过多展开，感兴趣的可以直接看原报告。核心点就一个，HunyuanOCR-1.5靠的不是堆参数，而是更聪明的数据构造（Agentic Data Flow）和更精细的训练策略（分辨率扩展+强化学习）。

开源，而且能在PC上跑

最后说两个我觉得对实际使用很重要的信息。

第一，模型权重和训练代码全部开源了。HuggingFace和GitHub上都有，链接在报告第一页。1B参数的模型，你不需要A100才能跑起来。

第二，DFlash加速方案支持通过llama.cpp部署到PC端。也就是说，你可以在自己的电脑上跑这个模型，而且享受DFlash带来的加速效果。报告里还提到一个细节，在无文字图片的处理上，HunyuanOCR-1.5的准确率是99.8%，上一代只有78.1%。什么意思呢，就是如果你给它一张没有文字的图片，它不会像很多OCR模型那样硬编出几个不存在的文字框，而是直接告诉你「没文字」。这个能力在实际部署中特别重要，因为真实场景的输入不可能保证每张图都有文字。

---

我读完这份报告之后，最大的感受不是某个具体的数字有多惊人，虽然0.54 vs 0.28和14.15 vs 6.33确实很炸裂。

我更在意的是它给出的一个判断，小模型不需要在能力和速度之间做取舍。

过去几年的主流叙事是，模型越大越强。但大模型的部署成本、推理延迟和资源消耗，让很多实际场景用不起也用不了。这就像买车，你当然可以买一辆重型卡车，拉货能力拉满，但如果你只是想在城市里送快递，一辆小面包车可能更合适，能钻小巷子，停车也方便。HunyuanOCR-1.5做的事情是，在1B的体积里，用DFlash解决速度问题，用Agentic Data Flow解决能力问题，同时做到了最快和最强。

而且Agentic Data Flow这个思路，我觉得价值不限于OCR。用Agent自动发现模型弱点、搜集材料、构建数据管线，这套范式如果跑通了，其他领域也能照着做。与其无脑堆数据，不如让AI自己找到自己哪里不行，然后针对性地补强。

腾讯混元团队把模型和代码都开源了。1B参数，PC端可部署，速度最快，能力最强。对于需要OCR能力的开发者和企业来说，这个值得一试。

---

感谢阅读。点个关注，不迷路，我们后续会持续跟进文档解析、OCR领域的前沿技术动态，第一时间为你解读。