腾讯混元团队正式发布开源端到端 OCR 专家模型 HunyuanOCR，并在首周内进入 Hugging Face 模型趋势榜前列，相关平台的星标与下载量快速攀升。该模型采用约 10 亿参数，在多项公开 OCR 基准上达到或接近最新水准，同时同步上线项目官网、模型权重、在线演示与完整技术报告，主打“高精度与低成本部署”的结合。
基于混元多模态架构，HunyuanOCR 由视觉编码器与轻量语言模型组成，通过适配模块连接，实现单次前向即可完成文本检测与识别、文档解析、信息抽取、视频字幕提取和图片翻译等复杂任务，并支持多语种与多种复杂版式场景。在 3B 参数以下模型中，该方案突出强调在算力与效果之间的平衡，便于在云端与边缘设备落地。
目前，HunyuanOCR 已在多个开放平台以开源形式发布，配套在线体验空间、推理示例代码以及基于高性能推理框架的部署方案，方便开发者在票据识别、合同与表单数字化、本地化翻译及移动端实景识别等场景快速集成，为中小企业与个人开发者提供更易获取的多语种 OCR 能力。
常见问题
Q：HunyuanOCR 是什么？
A：它是腾讯混元推出的 10 亿参数端到端 OCR 视觉语言模型，专注多语种文本识别与文档理解，并以开源形式提供。
Q：为什么被称为“高效轻量”？
A：相较于参数规模更大的多模态模型，HunyuanOCR 仅用 1B 参数在多项 OCR 基准上取得领先或接近领先，同时显著降低显存与算力需求。
Q：现在有哪些方式可以体验 HunyuanOCR？
A：可以在项目官网查看介绍，在开源平台下载模型权重，并通过在线 Demo 空间直接上传图片测试识别效果。
Q：它主要适用于哪些业务场景？
A：包括票据与单据录入、复杂文档与表单解析、街景与广告牌文字识别、视频字幕抽取及多语种图片翻译等。
Q：技术报告中有哪些值得关注的要点？
A：报告重点介绍了端到端架构设计、训练数据构成与多任务联合训练策略，以及在多项公开数据集上的评测结果与部署实践。
