腾讯混元OCR：高精度图像文字识别，多场景高效文本提取工具

腾讯混元OCR（HunyuanOCR）是腾讯混元团队于2025年11月25日推出的开源OCR模型，仅1B参数却实现了多项业界顶尖水平（SOTA）性能，重新定义了轻量化OCR的技术边界。

核心优势

轻量化架构：仅1B参数（10亿），相比传统大模型体积小巧，部署成本大幅降低，可在边缘设备上高效运行。

端到端设计：采用全端到端范式，单次前向推理即可完成文本检测、识别、结构化解析等任务，避免了传统级联方案的误差累积问题，效率提升1倍以上。

多模态融合：基于混元原生多模态架构，由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三部分组成，实现视觉与语言信息的深度融合。

性能表现

在多项权威评测中表现卓越：

• 复杂文档解析：在OmniDocBench测评中获得94.1分，超越谷歌Gemini3-pro等模型
• 文字检测识别：覆盖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），大幅领先同类开源及商业模型
• OCRBench榜单：总分860分，在参数量3B以下模型中取得SOTA成绩

核心功能

1. 文字检测与识别：精准定位和识别图片中的文字，支持艺术字、手写体、模糊文本等多种场景，准确率提升约15%。
2. 复杂文档解析：将多语种文档扫描件电子化，按阅读顺序组织文本，公式采用LaTeX格式，表格采用HTML格式表达。
3. 票据字段抽取：自动提取卡证、票据中的关键字段（姓名、金额、单位等），以标准JSON格式输出，准确率达99.9%。
4. 视频字幕识别：支持双语字幕自动化抽取，大幅降低视频内容创作和翻译成本。
5. 拍照翻译：支持14种高频小语种（德语、日语、韩语等）与中/英互译，在ICDAR2025端到端文档翻译比赛中获小模型赛道冠军。

应用场景

• 办公自动化：发票识别、合同解析、文档电子化
• 内容创作：视频字幕提取、多语言翻译
• 金融政务：票据字段抽取、卡证识别
• 教育科研：学术文献翻译、手写笔记识别

使用方式

在线体验：

• Web端：https://hunyuan.tencent.com/vision/zh?tabIndex=0
• 移动端：https://hunyuan.tencent.com/open_source_mobile?tab=vision&tabIndex=0

开源地址：

• GitHub：https://github.com/Tencent-Hunyuan/HunyuanOCR
• Hugging Face：https://huggingface.co/tencent/HunyuanOCR

腾讯混元OCR的开源标志着OCR技术进入”小参数、大能力”的新时代，为开发者和企业提供了高效、便捷的文本识别解决方案，推动OCR技术的普惠化发展。