多数人觉得 OCR 卷到头了，无非拍照转文字。但腾讯混元刚开源的 HyOCR-1.5 跳出了这套路子——1B 参数纯视觉端到端模型，在 OmniDocBench v1.6 上以 94.74 分拿下端到端第一，推理速度还提了 6.37 倍。 传统 OCR 流水线要拼接检测、识别、版面分析多个模型，慢且重。HyOCR-1.5 一个模型端到端输出，还用了 DFlash 投机解码：并行猜测多条解码路径，快速筛最优结果，让推理大幅加速。在 Transformers 上快 6.37 倍，vLLM 快 2.14 倍，最后单页文档端到端推理只要 1.408 秒。原先处理百页要几分钟，现在半分钟搞定，成本跟着跳水。 更关键的是全栈开源。模型权重、训练代码、推理流程全部开放，没有 API 调用费，数据不离开本地。对天天要处理合同、发票、古籍的团队来说，这种又快又省还不泄露数据的方案，每月可能省出一个人力成本。 它的适用面也没局限在中英文。通过 Agentic Data Flow，HyOCR-1.5 扩展到了 331 种语言、古文字识别，还能做多图问答。128K 上下文窗口加上 4K 分辨率，长图、竖排文档都能直接处理，不用切块、不用额外对齐。 当然，开源不等于「无脑能用」。虽然 1B 参数消费级显卡就跑得动，但装环境、跑 Demo 还是需要一点技术底子。社区已经有热心人封装一键包，不过暂时不够傻瓜化；追求「上传即得结果」的朋友，可以蹲一下腾讯混元后续的云服务。 但我觉得，这款模型最大的价值不是技术指标——而是它把「高质量、低成本、全栈可控」这三件事同时装进了一个能跑在任何机器上的 1B 小模型中，让普通团队也能用上以前大厂才烧得起的 OCR 能力。开源给了杠杆，试错的门槛已经很低。 怎么踩上这个杠杆？👉 普通用户：关注腾讯混元公众号，先看技术细节，把云服务上线消息存下来。开发者：去 GitHub 搜 JevenYu/HyOCR，拉模型跑 Demo，立刻替换掉项目里那条慢速 OCR 管道。产品经理/创业者：拿几张你最痛苦的文档测一测速度、精度和成本，说不定下一个垂直文档处理工具的原型就出来了。