HunyuanOCR-1.5: Leichte OCR-VLMs schneller und besser machen

Zusammenfassung

Wir präsentieren HunyuanOCR-1.5, ein leichtgewichtiges, auf OCR spezialisiertes End-to-End-Vision-Language-Modell. HunyuanOCR vereint Dokumentenparsing, Text-Spotting, Informationsextraktion, Text-Bild-Übersetzung und Multi-Bild-Dokumentenverständnis in einem einzigen End-to-End-VLM. Aufbauend auf der leichtgewichtigen Architektur von HunyuanOCR-1.0 wird das Backbone nicht neu gestaltet, sondern sowohl Effizienz als auch Leistungsfähigkeit systematisch verbessert. Für die Effizienz passen wir DFlash an die OCR-Dekodierung an, wodurch die Latenz langer strukturierter Ausgaben wie dichter Dokumente, Tabellen und Formeln signifikant reduziert wird, während die Ausgabeverteilung erhalten bleibt. Dank DFlash erreicht HunyuanOCR-1.5 eine 6,37-fache Transformer-Inferenzbeschleunigung und eine 2,14-fache Beschleunigung unter vLLM und bietet damit die schnellste Inferenz unter den leichtgewichtigen OCR-VLMs. Für die Leistungsfähigkeit schlagen wir Agentic Data Flow vor, ein agentengesteuertes Datenkonstruktionssystem, das Modellschwächen in ausführbare Datenanforderungen umwandelt und automatisch Materialsuche, Qualitätsverifikation und Pipeline-Entwicklung durchführt. Es verbessert substanziell die Long-Tail-Fähigkeiten in der OCR alter Schriften, der feinkörnigen Diagramm- und Tabellenauswertung, der textzentrierten Multi-Bild-QA, dem mehrsprachigen Parsing mit geringen Ressourcen und der Bewertung von Dokumentenhalluzinationen. HunyuanOCR-1.5 zählt zu den führenden End-to-End-OCR-Lösungen auf OmniDocBench v1.6 und erreicht neue Leistungsmeilensteine bei diesen Long-Tail-Aufgaben. In Kombination mit einem verbesserten Vor- und Nachbereitungsverfahren erweitert HunyuanOCR-1.5 seine Fähigkeiten auf hochauflösende, langkontextuelle und multitaskingfähige Szenarien. Experimente belegen schnellere Inferenz, eine breitere OCR-Fähigkeitsabdeckung und die Bereitstellungsvorteile eines leichtgewichtigen End-to-End-Modells. Wir werden die Modellgewichte und den Trainingscode veröffentlichen, um zukünftige Forschung und reale OCR-Anwendungen zu unterstützen.

English

We present HunyuanOCR-1.5, a lightweight end-to-end OCR-specialized vision-language model. HunyuanOCR unifies document parsing, text spotting, information extraction, text-image translation, and multi-image document understanding within a single end-to-end VLM. Building upon the lightweight architecture of HunyuanOCR-1.0, HunyuanOCR-1.5 does not redesign the backbone, but systematically improves both efficiency and capability. For efficiency, we adapt DFlash to OCR decoding, significantly reducing the latency of long structured outputs such as dense documents, tables, and formulas while preserving output distribution. Powered by DFlash, HunyuanOCR-1.5 achieves a 6.37x Transformer inference speedup and a 2.14x speedup under vLLM, delivering the fastest inference among lightweight OCR VLMs. For capability, we propose Agentic Data Flow, an agent-driven data construction system that transforms model weaknesses into executable data requirements and autonomously performs material search, quality verification, and pipeline development. It substantially improves long-tail capabilities in ancient-script OCR, fine-grained chart and table parsing, multi-image text-centric QA, low-resource multilingual parsing, and document hallucination evaluation. HunyuanOCR-1.5 ranks among the top-tier end-to-end OCR solutions on OmniDocBench v1.6 while achieving new performance milestones across these long-tail tasks. Combined with an upgraded pretraining and post-training recipe, HunyuanOCR-1.5 further extends its capability in high-resolution, long-context, and multi-task scenarios. Experiments demonstrate faster inference, broader OCR capability coverage, and the deployment advantages of a lightweight end-to-end model. We will release the model weights and training code to support future research and real-world OCR applications.