HunyuanOCR-1.5：軽量OCR VLMをより高速かつ高品質にする

要旨

本稿では、軽量なエンドツーエンドOCR特化型視覚言語モデルであるHunyuanOCR-1.5を提案する。HunyuanOCRは、文書解析、テキスト検出、情報抽出、テキスト-画像変換、マルチ画像文書理解を、単一のエンドツーエンドVLMに統合する。HunyuanOCR-1.0の軽量アーキテクチャを基盤としつつ、HunyuanOCR-1.5ではバックボーンを再設計することなく、効率性と性能を体系的に改善している。効率面では、DFlashをOCR復号に適用し、密集文書や表、数式といった長文構造化出力のレイテンシを、出力分布を保持したまま大幅に削減する。DFlashにより、HunyuanOCR-1.5はTransformer推論で6.37倍、vLLM環境では2.14倍の高速化を達成し、軽量OCR VLMの中で最速の推論を実現する。性能面では、エージェント駆動型データ構築システムであるAgentic Data Flowを提案する。これは、モデルの弱点を実行可能なデータ要件に変換し、素材検索、品質検証、パイプライ構築を自律的に実行するシステムである。これにより、古代文字OCR、きめ細かな図表や表の解析、マルチ画像テキスト中心QA、低リソース多言語解析、文書幻覚評価におけるロングテール性能が大幅に向上する。HunyuanOCR-1.5は、OmniDocBench v1.6においてトップクラスのエンドツーエンドOCRソリューションに位置づけられると同時に、これらのロングテールタスクにおいて新たな性能指標を達成している。改良された事前学習および事後学習の手法と組み合わせることで、HunyuanOCR-1.5は高解像度、長文脈、マルチタスクのシナリオにおいてもその能力をさらに拡張する。実験により、より高速な推論、より広範なOCR能力のカバレッジ、そして軽量エンドツーエンドモデルとしての導入上の利点が実証されている。本モデルの重みと学習コードは公開予定であり、今後の研究や実用的なOCRアプリケーションを支援する。

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.