近日，輕量化端到端 OCR 專家模型 HyOCR-1.5正式發佈，通過一系列技術革新，在保持輕量化架構的同時，實現了性能與效率的顯著躍升。

作爲該領域的首個全棧開源模型，HyOCR-1.5不僅公開了模型權重，更將訓練配方、數據構造方法及推理加速框架向社區全面開放。這一舉措極大降低了開發門檻，使開發者能夠輕鬆復現、微調甚至將其部署在消費級顯卡或普通筆記本電腦上。

image.png

爲了解決長自迴歸解碼帶來的延遲瓶頸，研發團隊引入了名爲“DFlash”的投機解碼框架。通過一個約90.7M 參數的輕量級草稿模型進行並行預測，DFlash 在保證輸出準確性的前提下，實現了推理速度的數倍提升。在權威測評 OmniDocBench 中，該技術在 Transformers 架構下帶來高達6.37倍的加速，成爲目前端到端 OCR 模型中的佼佼者。

在模型能力的進化上，HyOCR-1.5採用了“智能體驅動數據流”的創新策略。研發團隊將模型的薄弱環節轉化爲具體的任務目標，交給智能體自主拆解、蒐集語料並清洗驗證。這種閉環訓練模式成功補齊了古文字識別、低資源語種處理以及跨頁多圖問答等長尾場景的短板。配合4K 分辨率輸入及128K 上下文窗口的訓練優化，模型在處理複雜文檔時的穩健性得到了極大增強。

評測數據顯示，僅擁有1B 參數規模的 HyOCR-1.5在多項任務中展現出了“越級”表現。其在 OmniDocBench v1.6上不僅穩居端到端第一梯隊，在古文字識別及圖表解析任務中，其性能甚至能與8B 規模的通用模型比肩。

HyOCR-1.5的發佈，標誌着端到端 OCR 大模型正在向更輕量、更普惠的方向演進。通過將感知與理解深度融合，它不僅爲企業級部署提供了高效方案，也爲個人電腦端的本地化文檔智能處理提供了堅實基礎，進一步推動了 OCR 技術的行業落地。