Was ist HunyuanOCR 1.5?
HunyuanOCR 1.5 ist ein OCR-Vision-Language-Modell mit 1,12 Milliarden Parametern vom Hunyuan-Team bei Tencent, veröffentlicht am 7. Juli 2026 mit einem technischen Bericht auf arXiv. Es behält die Architektur von HunyuanOCR 1.0, einen Vision-Encoder, der ein Sprachmodell Hunyuan-0.5B speist, und ändert das Training: Bilder bis zu 4K-Auflösung, ein Kontext von 128K Tokens und Daten aus einer agentengesteuerten Pipeline, die auf alte Schriften, ressourcenarme Sprachen und Fragen über mehrere Bilder hinweg zielt.
Ein einziges Modell übernimmt das Parsen von Dokumenten zu Markdown mit HTML-Tabellen und LaTeX-Formeln, Text Spotting mit Koordinaten, Feldextraktion, das Parsen von Diagrammen und die Übersetzung von Text in Bildern. Ein DFlash-Draft-Modell im selben Repository entwirft mehrere Tokens auf einmal, die das Hauptmodell prüft. Das beschleunigt lange Ausgaben, ohne sie zu verändern.
Die Gewichte stehen unter der Tencent Hunyuan Community License. Sie gilt nicht in der Europäischen Union, im Vereinigten Königreich und in Südkorea, und Dienste mit mehr als 100 Millionen monatlich aktiven Nutzern brauchen eine eigene Lizenz von Tencent.
Lohnt sich HunyuanOCR 1.5?
Der Reiz von HunyuanOCR 1.5 ist Vielseitigkeit bei geringer Größe. In Tencents Bericht erreicht es 94,74 auf OmniDocBench v1.6, den besten Wert unter den End-to-End-OCR-Modellen in seiner Tabelle, vor Unlimited-OCR mit 93,92, Qianfan-OCR mit 93,90 und FireRed-OCR mit 93,26. Diese Tabelle lässt zweistufige Pipelines aus; PaddleOCR-VL-1.6 meldet auf demselben Benchmark 96,33, und Jinas eigene Vergleichstabelle führt die beiden mit 94,74 und 96,34. Es behält auch die allgemeinen Fähigkeiten von HunyuanOCR 1.0 und erreicht 861 auf OCRBench gegenüber 860 zuvor.
Die Geschwindigkeitsangabe ist enger, als das Abstract vermuten lässt. DFlash bringt unter vLLM das 2,14-Fache der einfachen Dekodiergeschwindigkeit und unter Transformers das 6,37-Fache, ausgehend von langsamen 0,029 Seiten pro Sekunde. In Tencents Test mit einer einzelnen Anfrage auf einer H20 liegt es mit 0,706 Seiten pro Sekunde vor GLM-OCR mit 0,604 und PaddleOCR-VL-1.6 mit 0,562. Bei acht gleichzeitigen Anfragen erreicht es aber nur 1,797, ein bescheidener Wert neben dem Batch-Durchsatz, den andere Teams veröffentlichen, wobei diese Läufe andere Hardware nutzten.
Alle Werte zu Genauigkeit und Geschwindigkeit stammen von Tencent. Das Modell steht noch nicht auf der unabhängigen BHL-OCR-Rangliste, und auf Tencents eigenem CHAOS-Bench, einem in diesem Release eingeführten Test auf Halluzinationen, liegt es naturgemäß vorn.
Für viele Leser entscheidet die Lizenz. Die Tencent Hunyuan Community License schließt die Europäische Union, das Vereinigte Königreich und Südkorea ausdrücklich aus, einschließlich der Nutzung der Modellausgaben dort, ein europäisches Unternehmen kann es also überhaupt nicht einsetzen. Für Teams anderswo ist es eines der wenigen Modelle unter 2B, das auch Text Spotting, Feldextraktion und Bildübersetzung beherrscht, was PaddleOCR-VL-1.6 und MiniCPM-OCR 1.0 nicht in einem Modell abdecken.
Wo es sich lohnt
Ein Lokalisierungsteam bei einem Spielepublisher in Singapur
Text in Screenshots und Marketingbildern übersetzen
Betreibe das Modell unter vLLM und nutze die Aufgabentypen trans_other2en oder doc_trans_en2zh, um direkt übersetzten Text zu bekommen. Singapur liegt im Lizenzgebiet, ein Londoner Büro desselben Unternehmens nicht.
Ein Backoffice-Entwickler bei einem chinesischen Versicherer
Felder aus Karten und Belegen als strukturierte Daten extrahieren
Nutze die Prompts structured_parse oder zur Informationsextraktion auf einer GPU mit aktiviertem DFlash-Draft. Tencent meldet in seinen Extraktionstests 92,40 bei Karten und 92,55 bei Belegen, gegenüber 80,59 und 80,66 für Gemini 2.5 Pro.
Eine Entwicklerin bei einem US-Forschungs-Startup, die auf Laptops arbeitet
Paper und Diagramme offline ohne Server-GPU parsen
Wandle den Checkpoint in GGUF um und betreibe llama-server oder den an DFlash angepassten llama.cpp-Fork auf einem Laptop. Die Gewichte sind in BF16 etwa 2,2 GB groß, und unter 100 Millionen monatlichen Nutzern kostet die Lizenz nichts.
Bevor du dich festlegst
- Einrichtung
- Eine uv-Umgebung mit vLLM 0.25.1+ und flash-attn 2.8.3 (CUDA 13) anlegen, tencent/HunyuanOCR ohne v1.0 herunterladen, dann serve.sh oder serve_DFlash.sh aus dem GitHub-Repo starten.
- Integrationen
- Native Klasse in Transformers 5.13+; OpenAI-kompatibler vLLM-Server mit Batch-Skripten; llama.cpp über GGUF-Konvertierung; Reinforcement-Learning-Stack auf Basis von verl und SFT-Code auf GitHub.
- Daten und Datenschutz
- Tencent Hunyuan Community License: nicht gültig in der EU, Großbritannien oder Südkorea, eine Acceptable Use Policy gilt, und Dienste mit über 100 Millionen monatlich aktiven Nutzern müssen Tencent fragen. Beim Selbsthosten bleiben Dokumente lokal.
- Kosten im großen Maßstab
- Tencent misst mit DFlash 0,706 Seiten pro Sekunde bei einer Anfrage und 1,797 bei acht auf einer H20; ein gehosteter Preis ist nicht veröffentlicht, die Kosten sind also deine eigene GPU-Zeit.
- Grenzen
- Die einheitliche Umgebung braucht CUDA 13; der Weg über Transformers ist weit langsamer als vLLM; Englisch und Chinesisch sind die hauptsächlich dokumentierten Sprachen; der mitgelieferte Client erlaubt auf dichten Seiten bis zu 32.768 Ausgabe-Tokens.
Was gut ist
- 94,74 auf OmniDocBench v1.6, bestes End-to-End-Modell in Tencents Tabelle
- 1,12B Parameter, mit 128K Kontext und 4K-Eingabeauflösung
- Parsing, Text Spotting, Extraktion, Diagramm-Parsing und Übersetzung in einem Modell
- DFlash-Draft-Modell enthalten; 2,14-mal schneller unter vLLM
Was nicht
- Lizenz schließt die EU, Großbritannien und Südkorea aus
- Dienste mit über 100 Millionen monatlichen Nutzern brauchen Tencents Erlaubnis
- Alle Werte zu Benchmarks und Geschwindigkeit selbst gemeldet
- Auf OmniDocBench v1.6 hinter der zweistufigen Pipeline von PaddleOCR-VL-1.6
Am besten für
Teams außerhalb Europas, Großbritanniens und Südkoreas, die ein kleines Modell für Dokument-Parsing, Text Spotting, Extraktion und Bildübersetzung wollen.
Alternativen zu HunyuanOCR 1.5
HunyuanOCR 1.5: häufige Fragen
- Lohnt sich HunyuanOCR 1.5?
- HunyuanOCR 1.5 ist nach Tencents eigenen Zahlen das stärkste End-to-End-OCR-Modell um 1B Parameter und für alle in Europa, Großbritannien oder Südkorea rechtlich tabu. Wir bewerten es mit 4.1 von 5.
- Was kostet HunyuanOCR 1.5?
- Kostenlos unter der Tencent Hunyuan Community License außerhalb der EU, Großbritanniens und Südkoreas; Dienste mit über 100 Millionen monatlichen Nutzern brauchen eine Lizenz von Tencent. Kein Preis für eine gehostete API veröffentlicht.
- Welche Nachteile hat HunyuanOCR 1.5?
- Lizenz schließt die EU, Großbritannien und Südkorea aus; Dienste mit über 100 Millionen monatlichen Nutzern brauchen Tencents Erlaubnis; Alle Werte zu Benchmarks und Geschwindigkeit selbst gemeldet; Auf OmniDocBench v1.6 hinter der zweistufigen Pipeline von PaddleOCR-VL-1.6.
- Für wen eignet sich HunyuanOCR 1.5?
- Teams außerhalb Europas, Großbritanniens und Südkoreas, die ein kleines Modell für Dokument-Parsing, Text Spotting, Extraktion und Bildübersetzung wollen.
- Was kostet HunyuanOCR 1.5 für ein Team oder im Produktivbetrieb?
- Tencent misst mit DFlash 0,706 Seiten pro Sekunde bei einer Anfrage und 1,797 bei acht auf einer H20; ein gehosteter Preis ist nicht veröffentlicht, die Kosten sind also deine eigene GPU-Zeit.
- Ist HunyuanOCR 1.5 sicher für Firmendaten?
- Tencent Hunyuan Community License: nicht gültig in der EU, Großbritannien oder Südkorea, eine Acceptable Use Policy gilt, und Dienste mit über 100 Millionen monatlich aktiven Nutzern müssen Tencent fragen. Beim Selbsthosten bleiben Dokumente lokal.
- Was sind die besten Alternativen zu HunyuanOCR 1.5?
- Die nächsten Alternativen, die wir getestet haben, sind PaddleOCR-VL-1.6, MiniCPM-OCR 1.0, GLM-OCR, Qianfan-OCR und Unlimited-OCR 2.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst HunyuanOCR 1.5? Zeig diese Bewertung auf deiner Website
