論文の概要: HunyuanOCR-1.5: Making Lightweight OCR VLMs Faster and Better
- arxiv url: http://arxiv.org/abs/2607.04884v1
- Date: Mon, 06 Jul 2026 10:06:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.108807
- Title: HunyuanOCR-1.5: Making Lightweight OCR VLMs Faster and Better
- Title（参考訳）: Hunyuan OCR-1.5:軽量OCR VLMの高速化と改善
- Abstract要約: Hunyuan OCR-1.5は軽量なOCR仕様の視覚言語モデルである。
文書解析、テキストスポッティング、情報抽出、テキスト画像翻訳、マルチイメージ文書理解を統一する。
DFlashにより、Hunyuan OCR-1.5は6.37倍のTransformer推論スピードアップと2.14倍の速度アップを実現している。
- 参考スコア（独自算出の注目度）: 25.94928460214281
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present HunyuanOCR-1.5, a lightweight end-to-end OCR-specialized vision-language model. HunyuanOCR unifies document parsing, text spotting, information extraction, text-image translation, and multi-image document understanding within a single end-to-end VLM. Building upon the lightweight architecture of HunyuanOCR-1.0, HunyuanOCR-1.5 does not redesign the backbone, but systematically improves both efficiency and capability. For efficiency, we adapt DFlash to OCR decoding, significantly reducing the latency of long structured outputs such as dense documents, tables, and formulas while preserving output distribution. Powered by DFlash, HunyuanOCR-1.5 achieves a 6.37x Transformer inference speedup and a 2.14x speedup under vLLM, delivering the fastest inference among lightweight OCR VLMs. For capability, we propose Agentic Data Flow, an agent-driven data construction system that transforms model weaknesses into executable data requirements and autonomously performs material search, quality verification, and pipeline development. It substantially improves long-tail capabilities in ancient-script OCR, fine-grained chart and table parsing, multi-image text-centric QA, low-resource multilingual parsing, and document hallucination evaluation. HunyuanOCR-1.5 ranks among the top-tier end-to-end OCR solutions on OmniDocBench v1.6 while achieving new performance milestones across these long-tail tasks. Combined with an upgraded pretraining and post-training recipe, HunyuanOCR-1.5 further extends its capability in high-resolution, long-context, and multi-task scenarios. Experiments demonstrate faster inference, broader OCR capability coverage, and the deployment advantages of a lightweight end-to-end model. We will release the model weights and training code to support future research and real-world OCR applications.
- Abstract（参考訳）: 我々は,軽量なOCR特化視覚言語モデルであるHunyuan OCR-1.5を提案する。
HunyuanOCRは、文書解析、テキストスポッティング、情報抽出、テキスト画像翻訳、マルチイメージ文書理解を単一のエンドツーエンドVLM内で統合する。
Hunyuan OCR-1.0の軽量アーキテクチャに基づいて構築されたHunyuan OCR-1.5は、バックボーンを再設計するのではなく、効率と能力の両方を体系的に改善する。
効率向上のために、DFlashをOCRデコードに適応させ、出力分布を保ちながら、高密度文書、テーブル、公式などの長い構造化出力の遅延を大幅に低減する。
DFlashによりHunyuan OCR-1.5は6.37倍のトランスフォーマー推論速度とvLLMの2.14倍のスピードアップを実現し、軽量のOCR VLMの中で最速の推論を実現する。
本稿では,エージェント駆動型データ構築システムであるAgentic Data Flowを提案する。
これは、古文書のOCR、きめ細かいチャートとテーブル解析、マルチイメージテキスト中心のQA、低リソース多言語構文解析、文書幻覚評価における長い尾の能力を大幅に改善する。
Hunyuan OCR-1.5はOmniDocBench v1.6の最上位のエンドツーエンドOCRソリューションにランクインし、長いタスクで新たなパフォーマンスマイルストーンを達成した。
Hunyuan OCR-1.5は、事前トレーニングと後トレーニングのレシピを改良して、高解像度、長期コンテキスト、マルチタスクのシナリオでその能力をさらに拡張した。
実験では、より高速な推論、より広範なOCR機能カバレッジ、軽量なエンドツーエンドモデルのデプロイメントメリットが示されています。
私たちは、将来の研究と現実世界のOCRアプリケーションをサポートするために、モデルの重み付けとトレーニングコードをリリースします。
関連論文リスト
- TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。
TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
論文 参考訳（メタデータ） (2026-08-08T04:50:00Z) - PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks [21.41974664575541]
OCR 2.0 と大規模視覚言語モデル (VLM) はテキスト認識のベンチマークを新たに設定した。
PP-OCRv5は,500万のパラメータしか持たない高度に最適化された軽量なOCRシステムである。
論文 参考訳（メタデータ） (2026-03-25T14:54:40Z) - GLM-OCR Technical Report [65.42028025507491]
GLM-OCRは実世界の文書理解のために設計された効率的なコンパクトモデルである。
CogViTビジュアルエンコーダとGLM言語デコーダを組み合わせることで、計算効率と認識性能のバランスが強い。
公開ベンチマークと産業シナリオの大規模な評価は、GLM-OCRが競争力や最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-03-11T15:55:47Z) - SimpleOCR: Rendering Visualized Questions to Teach MLLMs to Read [43.28273039987167]
テキストクエリを画像に直接描画するVisualized-Question (VQ) 設定を導入する。
強力なOCR能力を持つにもかかわらず、モデルはVQ設定で最大12.7%の性能低下に悩まされる。
学習プロセスに構造的制約を課すプラグアンドプレイトレーニング戦略であるSimpleOCRを提案する。
論文 参考訳（メタデータ） (2026-02-25T21:36:30Z) - VTC-R1: Vision-Text Compression for Efficient Long-Context Reasoning [55.17170420615628]
長いコンテキスト推論は、複雑なタスクに対処するために大きな言語モデル(LLM)を著しく強化した。
本稿では,視覚テキスト圧縮を推論プロセスに統合した新しい効率的な推論パラダイムであるVTC-R1を提案する。
このアプローチは推論効率を大幅に改善し、エンドツーエンドのレイテンシで2.7倍の高速化を実現します。
論文 参考訳（メタデータ） (2026-01-29T18:07:39Z) - LightOnOCR: A 1B End-to-End Multilingual Vision-Language Model for State-of-the-Art OCR [0.29410438275861583]
我々は,多言語視覚言語モデルである textbfLightOnOCR-2-1B を提案する。
大規模で高品質な蒸留混合物でスキャン、フランス語文書、科学PDFを強くカバーし、LightOnOCR-2はOlmOCR-Benchの最先端の結果を得る。
私たちはApache 2.0でモデルチェックポイントをリリースし、データセットと textbfLightOnOCR-bbox-bench の評価をそれぞれのライセンスで公開しています。
論文 参考訳（メタデータ） (2026-01-20T18:58:32Z) - MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。
複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。
2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
論文 参考訳（メタデータ） (2025-11-13T15:12:17Z) - E-ARMOR: Edge case Assessment and Review of Multilingual Optical Character Recognition [3.186993645370078]
本研究では,資源制約環境におけるエッジ配置に最適化された新しいOCRシステムであるSprinklr-Edge-OCRを紹介する。
本稿では,5つの最先端LVLM(InternVL, Qwen, GOT OCR, LLaMA, MiniCPM)と2つの従来のOCRシステム(Sprinklr-Edge-OCR, SuryaOCR)を比較した。
この結果から,エッジデプロイメントに最適なOCRシステムは,計算要求の低さ,低さ,従来のOCRシステムであることがわかった。
論文 参考訳（メタデータ） (2025-09-03T18:08:41Z) - PaddleOCR 3.0 Technical Report [21.810256827625217]
PaddleOCR 3.0は、OCRとドキュメント解析のためのApacheライセンスのオープンソースツールキットである。
主流の視覚言語モデル(VLM)と比較して、1億未満のパラメータを持つこれらのモデルは、競合する精度と効率を達成する。
論文 参考訳（メタデータ） (2025-07-08T02:14:10Z) - PDF-WuKong: A Large Multimodal Model for Efficient Long PDF Reading with End-to-End Sparse Sampling [63.93112754821312]
マルチモーダル文書理解は,大量のテキスト情報や視覚情報を処理し,理解するための課題である。
大規模言語モデル(LLM)の最近の進歩は、このタスクの性能を大幅に改善した。
長いPDF文書に対する多モーダル質問回答(QA)を強化するために設計された多モーダル大言語モデル(MLLM)であるPDF-WuKongを紹介する。
論文 参考訳（メタデータ） (2024-10-08T12:17:42Z) - Turning a CLIP Model into a Scene Text Spotter [73.63953542526917]
我々は,大規模コントラスト言語-画像事前学習(CLIP)モデルの可能性を活用し,シーンテキストの検出とスポッティング作業を強化する。
このバックボーンは、CLIPにおける視覚的プロンプト学習とクロスアテンションを利用して、画像とテキストベースの事前知識を抽出する。
FastTCM-CR50では、画像とテキストの埋め込みのシナジーを高めるために、インスタンス言語マッチングプロセスが導入されている。
論文 参考訳（メタデータ） (2023-08-21T01:25:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。