HunyuanOCR-1.5: 경량 OCR VLM을 더 빠르고 더 우수하게 만들기

초록

저희는 HunyuanOCR-1.5를 소개합니다. 이는 경량의 엔드투엔드(end-to-end) OCR 특화 비전-언어 모델입니다. HunyuanOCR은 문서 파싱, 텍스트 스포팅, 정보 추출, 텍스트-이미지 번역, 다중 이미지 문서 이해를 단일 엔드투엔드 VLM으로 통합합니다. HunyuanOCR-1.0의 경량 아키텍처를 기반으로 구축된 HunyuanOCR-1.5는 백본(backbone)을 재설계하지 않고 효율성과 성능을 모두 체계적으로 개선했습니다. 효율성 측면에서는 DFlash를 OCR 디코딩에 적용하여 출력 분포를 유지하면서 밀집 문서, 표, 수식과 같은 긴 구조적 출력의 지연 시간을 크게 줄였습니다. DFlash를 기반으로 HunyuanOCR-1.5는 Transformer 추론에서 6.37배, vLLM 환경에서 2.14배의 속도 향상을 달성하여 경량 OCR VLM 중 가장 빠른 추론 속도를 제공합니다. 성능 측면에서는 에이전트 기반 데이터 구축 시스템인 Agentic Data Flow를 제안하여 모델의 약점을 실행 가능한 데이터 요구 사항으로 변환하고, 재료 검색, 품질 검증, 파이프라인 개발을 자율적으로 수행합니다. 이를 통해 고대 문자 OCR, 세분화된 차트 및 표 파싱, 다중 이미지 텍스트 중심 QA, 저자원 다국어 파싱, 문서 환각 평가와 같은 롱테일(long-tail) 성능을 크게 향상시켰습니다. HunyuanOCR-1.5는 OmniDocBench v1.6에서 최상위 엔드투엔드 OCR 솔루션 중 하나로 평가되며, 이러한 롱테일 작업에서 새로운 성능 이정표를 달성했습니다. 업그레이드된 사전 학습 및 사후 학습 레시피(recipe)와 결합하여 HunyuanOCR-1.5는 고해상도, 장문맥(long-context), 다중 작업 시나리오에서 성능을 더욱 확장합니다. 실험을 통해 더 빠른 추론, 더 넓은 OCR 성능 커버리지, 경량 엔드투엔드 모델의 배포 이점을 입증했습니다. 향후 연구와 실제 OCR 애플리케이션을 지원하기 위해 모델 가중치와 학습 코드를 공개할 예정입니다.

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.