11 月 25 日消息，腾讯混元今日宣布推出全新开源模型 HunyuanOCR，参数仅为 1B，依托于混元原生多模态架构打造，获得多项业界 OCR 应用榜单 SOTA（IT之家注：最先进水平）成绩。
腾讯官方表示，得益于混元原生多模态大模型“端到端”的理念设计，HunyuanOCR 各项功能仅需单次前向推理即可直达最优结果。
混元 OCR 专家模型依托于混元原生多模态架构打造，主要由三大部分组建构成：原生分辨率视频编码器、自适应视觉适配器和轻量化混元语言模型。
不同于其他开源的 OCR 专家模型或系统，HunyuanOCR 模型的训练和推理均采用全端到端范式，通过规模化的应用导向数据，结合在线强化学习，模型表现出了稳健的端到端推理能力。
混元 OCR 多项核心能力达到 SOTA 效果，其中在复杂文档解析的 OmniDocBench 测评中，获得了最高的 94.1 分，效果超过了谷歌的 Gemini3-pro 等一众领先的模型；文字检测和识别能力，在自建覆盖了 9 大应用场景（文档、艺术字、街景、手写、广告、票据、截屏、游戏、视频）的基准上，大幅度领先同类开源模型以及商业 OCR 模型；在 OCRBench 榜单上，总得分为 860 分，以仅仅 1B 总参数的模型配置，取得了包括通用视觉理解模型在内总参数 3B 以下的 SOTA 成绩。
在小语种翻译能力，混元 OCR 支持 14 种高频小语种翻译翻译中文或英文的效果，并且取得了 ICDAR2025 端到端文档翻译比赛小模型赛道冠军。
应用场景方面，HunyuanOCR 支持多语种复杂文档解析，同时兼具文字检测和识别能力，在票据字段抽取、视频字幕识别、拍照翻译等场景得到应用。
在文字检测和识别能力上，模型对文档、艺术字、街景、手写、广告、票据、截屏、游戏、视频等场景上表现卓越。
复杂文档解析指的是对多语种文档扫描件或拍摄图像进行电子化，具体地，就是将图片中出现的文本内容按照阅读顺序进行组织、公式采用 Latex 格式、复杂表格采用 HTML 格式表达。
此外常见的应用场景还要票据字段提取、视频字幕提取和拍照翻译等功能。
1、对常见卡证和票据的感兴趣字段（如姓名 / 地址 / 单位等），采用标准的 json 格式解析。
2、对视频的字幕实现自动化抽取，包括双语字幕。
3、拍照翻译功能，支持 14 种高频应用小语种，具体包括：德语、西班牙语、土耳其语、意大利语、俄语、法语、葡萄牙语、阿拉伯语、泰语、越南语、印尼语、马来语、日语、韩语翻译成中 / 英文，以及中英互译功能。
