HunyuanOCR 1.5とは？
HunyuanOCR 1.5は、TencentのHunyuanチームによる11億2,000万（1.12 billion）パラメータのOCR向け視覚言語モデルで、2026年7月7日にarXivの技術レポートとともに公開されました。HunyuanOCR 1.0のアーキテクチャ、つまり視覚エンコーダーがHunyuan-0.5Bの言語モデルに入力する構成はそのままで、学習を変えています。最大4Kの解像度の画像、128Kトークンのコンテキスト、そして古い文字、資源の少ない言語、複数の画像にまたがる質問を狙って、エージェント主導のパイプラインで作ったデータです。
1つのモデルで、HTMLの表とLaTeXの数式を含むMarkdownへの文書解析、座標付きの文字検出、項目の抽出、グラフの解析、画像内のテキストの翻訳を扱います。同じリポジトリで提供されるDFlashのドラフトモデルは、複数のトークンを一度に下書きし、メインのモデルがそれを検証します。これにより、出力を変えずに長い出力を速くします。
重みはTencent Hunyuan Community Licenseで提供されています。このライセンスは欧州連合、英国、韓国には適用されず、月間アクティブユーザーが1億（100 million）人を超えるサービスにはTencentからの別のライセンスが必要です。
HunyuanOCR 1.5は使う価値があるか？
HunyuanOCR 1.5の魅力は、小さな大きさでの守備範囲の広さです。Tencentのレポートでは、OmniDocBench v1.6で94.74で、その表のエンドツーエンドのOCRモデルの中で最高の数字であり、93.92のUnlimited-OCR、93.90のQianfan-OCR、93.26のFireRed-OCRを上回っています。その表には2段階のパイプラインが含まれていません。PaddleOCR-VL-1.6は同じベンチマークで96.33と報告しており、Jina自身の比較表では両者を94.74と96.34としています。HunyuanOCR 1.0の汎用的な能力も保っており、OCRBenchでは以前の860に対して861です。
速さの主張は、概要から受ける印象より限定的です。DFlashは通常のデコードと比べて、vLLMで2.14倍、Transformersで6.37倍の速さになりますが、Transformersはもともと毎秒0.029ページと遅いところから始まります。TencentがH20で行った単一リクエストのテストでは、毎秒0.706ページで、0.604のGLM-OCRと0.562のPaddleOCR-VL-1.6を上回ります。しかし同時リクエスト8件では1.797にしか達せず、ほかのチームが公開しているバッチ処理のスループットと比べると控えめな数字です。ただしそれらの実行は別のハードウェアで行われています。
精度と速さの数字はすべてTencentのものです。モデルはまだ独立したBHL OCRのランキングに載っておらず、Tencent自身のCHAOS-Benchは今回のリリースで導入した幻覚のテストで、当然ながら首位に立っています。
多くの読者にとって決め手はライセンスです。Tencent Hunyuan Community Licenseは、モデルの出力をそこで使うことも含めて、欧州連合、英国、韓国をはっきり除外しているので、欧州の企業はまったく導入できません。それ以外の地域のチーム にとっては、文字検出、項目の抽出、画像の翻訳もこなす2B未満の数少ないモデルの一つです。PaddleOCR-VL-1.6やMiniCPM-OCR 1.0は、これらを1つのモデルではまかなえません。
真価を発揮する場面
シンガポールのゲーム会社のローカライズチーム
スクリーンショットや販促画像の中のテキストを翻訳する
vLLMでモデルを動かし、trans_other2enやdoc_trans_en2zhのタスクの種類を使えば、翻訳したテキストが直接返ります。シンガポールはライセンスの対象地域に含まれますが、同じ会社のロンドンのオフィスは含まれません。
中国の保険会社のバックオフィスのエンジニア
カードやレシートから項目を構造化データに取り出す
DFlashのドラフトを有効にし、GPU 1枚でstructured_parseか情報抽出のプロンプトを使います。Tencentは抽出のテストで、カードで92.40、レシートで92.55と報告しており、Gemini 2.5 Proは80.59と80.66です。
ノートパソコンで作業する米国の研究系スタートアップの開発者
サーバーのGPUなしに、論文やグラフをオフラインで解析する
チェックポイントをGGUFに変換し、ノートパソコンでllama-serverか、DFlashに対応したllama.cppのフォークを動かします。重みはBF16で約2.2 GBで、ライセンスは月間ユーザー1億人未満なら無料です。
導入前に確認すること
- 導入
- vLLM 0.25.1以降とflash-attn 2.8.3（CUDA 13）でuvの環境を作り、v1.0を除いてtencent/HunyuanOCRをダウンロードしてから、GitHubのリポジトリにあるserve.shかserve_DFlash.shを起動します。
- 連携
- Transformers 5.13以降のネイティブのクラス。バッチ処理のスクリプト付きのvLLMのOpenAI互換サーバー。GGUFへの変換によるllama.cpp。GitHub上のverlベースの強化学習の基盤とSFTのコード。
- データとプライバシー
- Tencent Hunyuan Community Licenseは、EU、英国、韓国では無効で、利用規定が適用され、月間アクティブユーザーが1億人を超えるサービスはTencentに申請する必要があります。セルフホストで動かせば、文書は手元にとどまります。
- 大規模利用時のコスト
- TencentはH20 1基で、DFlashを使って1リクエストなら毎秒0.706ページ、8リクエストなら1.797ページと測定しています。ホスト版 の価格は公開されていないので、費用は自分のGPU時間です。
- 制限
- 統合された環境にはCUDA 13が必要です。TransformersでのルートはvLLMよりはるかに遅いです。ドキュメントで主に扱われている言語は英語と中国語です。付属のクライアントでは、密なページで最大32,768トークンまで出力できます。
良い点
- OmniDocBench v1.6で94.74、Tencentの表ではエンドツーエンドのモデルで首位
- 1.12Bパラメータで、128Kのコンテキストと4Kの入力解像度
- 解析、文字検出、抽出、グラフの解析、翻訳を1つのモデルで
- DFlashのドラフトモデルが付属し、vLLMで2.14倍速い
気になる点
- ライセンスがEU、英国、韓国を除外している
- 月間ユーザーが1億人を超えるサービスにはTencentの許可が必要
- ベンチマークと速さの数字はすべて自己申告
- OmniDocBench v1.6ではPaddleOCR-VL-1.6の2段階のパイプラインに及ばない
おすすめの人
文書解析、文字検出、抽出、画像の翻訳を1つの小さなモデルでまかないたい、欧州、英国、韓国以外のチーム。
HunyuanOCR 1.5の代替
HunyuanOCR 1.5：よくある質問
- HunyuanOCR 1.5は使う価値があるか？
- Tencent自身の数字 では、HunyuanOCR 1.5は1Bパラメータ前後で最も強いエンドツーエンドのOCRモデルです。そして欧州、英国、韓国の人は法的に使えません。 評価は5点満点中4.1点です。
- HunyuanOCR 1.5の料金は？
- EU、英国、韓国以外ではTencent Hunyuan Community Licenseで無料です。月間ユーザーが100 million（1億）人を超えるサービスにはTencentのライセンスが必要です。ホスト版のAPIの価格は公開されていません。
- HunyuanOCR 1.5の欠点は？
- ライセンスがEU、英国、韓国を除外している; 月間ユーザーが1億人を超えるサービスにはTencentの許可が必要; ベンチマークと速さの数字はすべて自己申告; OmniDocBench v1.6ではPaddleOCR-VL-1.6の2段階のパイプラインに及ばない.
- HunyuanOCR 1.5は誰に向いているか？
- 文書解析、文字検出、抽出、画像の翻訳を1つの小さなモデルでまかないたい、欧州、英国、韓国以外のチーム。
- チームや本番環境でHunyuanOCR 1.5を使うと費用はいくらか？
- TencentはH20 1基で、DFlashを使って1リクエストなら毎秒0.706ページ、8リクエストなら1.797ページと測定しています。ホスト版の価格は公開されていないので、費用は自分のGPU時間です。
- HunyuanOCR 1.5は企業データを扱っても安全か？
- Tencent Hunyuan Community Licenseは、EU、英国、韓国では無効で、利用規定が適用され、月間アクティブユーザーが1億人を超えるサービスはTencentに申請する必要があります。セルフホストで動かせば、文書は手元にとどまります。
- HunyuanOCR 1.5の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はPaddleOCR-VL-1.6, MiniCPM-OCR 1.0, GLM-OCR, Qianfan-OCR 、 Unlimited-OCR 2です。
回答確認日：2026年11月2日
HunyuanOCR 1.5の開発元の方へ：この評価をサイトに掲載できます
