科技Bestblogs·腾讯混元··AI 生成
训推全开源：HyOCR-1.5 让端到端 OCR 大模型跑得更快、看得更准、功能更全
腾讯混元开源了 1B 参数的端到端 OCR 大模型 HyOCR-1.5，核心亮点是 DFlash 投机解码带来的高效推理（最高 6.37 倍加速）和 Agentic Data Flow 驱动的数据生成方法，用于扩展低资源语种、古文字等边界能力。文章详细介绍了其 4K 分辨率、128K 上下文与 IcePop 风格强化学习的训练方案，并在 OmniDocBench 等多项基准上取得 SOTA 成绩。适合关注 OCR 技术前沿、模型轻量化部署或想了解开源大模型训练配方的 AI 从业者阅读。原文 ↗原文 ↗
核心观点
- ▍HyOCR-1.5 通过 DFlash 投机解码和 Agentic Data Flow，在 1B 参数规模下实现了推理速度、准确率和能力覆盖面的显著提升，验证了轻量级端到端 OCR 模型的可行性。
- 01DFlash 投机解码使用 90.7M 参数的 block-diffusion 草稿模型，可实现 Transformer 下 6.37 倍、vLLM 下 2.14 倍的推理加速，且加速比随文档长度增长。
- 02Agentic Data Flow 通过智能体自主拆解任务、搜集素材、调用工具，已成功应用于 331 种低资源语种 OCR、汉字七体古文字识别及多页 PDF 问答场景。
- 03模型训练采用 4K 分辨率输入、128K 上下文窗口以及 IcePop 风格强化学习（包含事实性、一致性、退化抑制三类奖励），在忠实性和鲁棒性上表现更佳。
- 04在 OmniDocBench v1.6 上取得 94.74 总分（端到端第一），在表格解析（TEDS 93.67）和阅读顺序上表现突出。
- 05在 Chronicles-OCR 古文字识别基准上，成熟字体平均分 0.79，超越 GPT-5、Gemini 3.1 Pro 等大模型。
- 06模型支持通过 llama.cpp 在 CPU、消费级显卡乃至普通笔记本上运行，具备广泛部署能力。
概念锚点
前置背景
技术原理
未来推演
延伸追问