HunyuanOCR
1BパラメータのOCRモデルが1回の順伝播で検出・認識・レイアウト解析をどう完了するかを分解し、帳票や字幕、多言語の画像翻訳への配備方法を解説する。
HunyuanOCRはテンセント・フンユエンが公開したエンドツーエンドの文字認識モデルで、約1Bパラメータながら1回の順伝播でテキスト検出・認識、レイアウト解析、項目抽出、画像翻訳までこなす。街景や手書き、複雑な帳票や表にも対応し、約14言語の画像翻訳を扱う。重み、技術レポート、推論例も公開され、クラウドでも端末側でも低コストに配備できる。
