O que é HunyuanOCR 1.5?
O HunyuanOCR 1.5 é um modelo de visão e linguagem para OCR de 1,12 bilhão de parâmetros da equipe Hunyuan da Tencent, lançado em 7 de julho de 2026 com um relatório técnico no arXiv. Ele mantém a arquitetura do HunyuanOCR 1.0, um encoder de visão que alimenta um modelo de linguagem Hunyuan-0.5B, e muda o treinamento: imagens de até 4K de resolução, um contexto de 128K tokens e dados construídos por um pipeline guiado por agentes, voltado para escritas antigas, idiomas com poucos recursos e perguntas que envolvem várias imagens.
Um único modelo cuida do parsing de documentos para Markdown com tabelas em HTML e fórmulas em LaTeX, da detecção de texto com coordenadas, da extração de campos, do parsing de gráficos e da tradução de texto em imagens. Um modelo de rascunho DFlash, incluído no mesmo repositório, rascunha vários tokens de uma vez para o modelo principal verificar, o que acelera saídas longas sem alterá-las.
Os pesos estão sob a Tencent Hunyuan Community License. Ela não vale na União Europeia, no Reino Unido nem na Coreia do Sul, e serviços com mais de 100 milhões de usuários ativos mensais precisam de uma licença separada da Tencent.
HunyuanOCR 1.5 vale a pena?
O atrativo do HunyuanOCR 1.5 é a amplitude em um tamanho pequeno. No relatório da Tencent ele marca 94,74 no OmniDocBench v1.6, o maior número entre os modelos de OCR de ponta a ponta da sua tabela, à frente do Unlimited-OCR, com 93,92, do Qianfan-OCR, com 93,90, e do FireRed-OCR, com 93,26. Essa tabela deixa de fora os pipelines de duas etapas; o PaddleOCR-VL-1.6 informa 96,33 no mesmo benchmark, e a tabela comparativa da própria Jina lista os dois com 94,74 e 96,34. Ele também mantém as habilidades gerais do HunyuanOCR 1.0, com 861 no OCRBench contra 860 antes.
A alegação de velocidade é mais estreita do que o resumo sugere. O DFlash dá 2,14 vezes a velocidade da decodificação simples no vLLM e 6,37 vezes no Transformers, que parte de lentas 0,029 página por segundo. No teste da Tencent com uma solicitação por vez em uma H20, 0,706 página por segundo o põe à frente do GLM-OCR, com 0,604, e do PaddleOCR-VL-1.6, com 0,562, mas com oito solicitações simultâneas ele chega só a 1,797, um número modesto ao lado do throughput em lote que outras equipes publicam, embora essas execuções tenham usado outro hardware.
Todos os números de precisão e velocidade são da Tencent. O modelo ainda não está no ranking independente BHL OCR, e o CHAOS-Bench da própria Tencent, um teste de alucinação apresentado neste lançamento, é um em que ele naturalmente lidera.
A licença é o fator decisivo para muitos leitores. A Tencent Hunyuan Community License exclui de saída a União Europeia, o Reino Unido e a Coreia do Sul, incluindo o uso da saída do modelo nesses lugares, então uma empresa europeia não pode implantá-lo de forma alguma. Para equipes em outros lugares, é um dos poucos modelos abaixo de 2B que também faz detecção de texto, extração de campos e tradução de imagens, o que o PaddleOCR-VL-1.6 e o MiniCPM-OCR 1.0 não cobrem em um único modelo.
Onde ele se destaca
Uma equipe de localização em uma publicadora de jogos de Singapura
Traduzir o texto dentro de capturas de tela e imagens de marketing
Sirva o modelo no vLLM e use os tipos de tarefa trans_other2en ou doc_trans_en2zh para receber o texto já traduzido. Singapura está dentro do território da licença; um escritório da mesma empresa em Londres não está.
Um engenheiro de back-office em uma seguradora chinesa
Extrair campos de cartões e recibos para dados estruturados
Use os prompts structured_parse ou de extração de informações em uma GPU com o rascunho DFlash ativado. A Tencent informa 92,40 em cartões e 92,55 em recibos nos seus testes de extração, contra 80,59 e 80,66 do Gemini 2.5 Pro.
Uma desenvolvedora em uma startup de pesquisa americana que trabalha em notebooks
Processar artigos e gráficos offline sem uma GPU de servidor
Converta o checkpoint para GGUF e rode o llama-server, ou o fork do llama.cpp adaptado ao DFlash, em um notebook. Os pesos têm cerca de 2,2 GB em BF16, e a licença não custa nada abaixo de 100 milhões de usuários mensais.
Antes de decidir
- Configuração
- Crie um ambiente uv com vLLM 0.25.1+ e flash-attn 2.8.3 (CUDA 13), baixe tencent/HunyuanOCR excluindo a v1.0 e depois inicie serve.sh ou serve_DFlash.sh a partir do repositório no GitHub.
- Integrações
- Classe nativa no Transformers 5.13+; servidor vLLM compatível com a OpenAI com scripts de lote; llama.cpp via conversão para GGUF; stack de aprendizado por reforço baseada no verl e código de SFT no GitHub.
- Dados e privacidade
- Tencent Hunyuan Community License: não vale na UE, no Reino Unido nem na Coreia do Sul, há uma política de uso aceitável, e serviços com mais de 100 milhões de usuários ativos mensais precisam consultar a Tencent. Execuções auto-hospedadas mantêm os documentos locais.
- Custo em escala
- A Tencent mede 0,706 página por segundo com DFlash com uma solicitação e 1,797 com oito em uma H20; não há preço hospedado publicado, então o custo é o seu próprio tempo de GPU.
- Limites
- O ambiente unificado exige CUDA 13; o caminho via Transformers é muito mais lento que o vLLM; inglês e chinês são os principais idiomas documentados; o cliente incluído permite até 32.768 tokens de saída em páginas densas.
O que é bom
- 94,74 no OmniDocBench v1.6, o melhor modelo de ponta a ponta na tabela da Tencent
- 1,12B de parâmetros, com contexto de 128K e resolução de entrada de 4K
- Parsing, detecção de texto, extração, parsing de gráficos e tradução em um único modelo
- Modelo de rascunho DFlash incluído; 2,14 vezes mais rápido no vLLM
O que não é
- A licença exclui a UE, o Reino Unido e a Coreia do Sul
- Serviços com mais de 100 milhões de usuários mensais precisam da permissão da Tencent
- Todos os números de benchmark e velocidade são autodeclarados
- Atrás do pipeline de duas etapas do PaddleOCR-VL-1.6 no OmniDocBench v1.6
Ideal para
Equipes fora da Europa, do Reino Unido e da Coreia do Sul que querem um único modelo pequeno para parsing de documentos, detecção de texto, extração e tradução de imagens.
Alternativas ao HunyuanOCR 1.5
HunyuanOCR 1.5: perguntas frequentes
- HunyuanOCR 1.5 vale a pena?
- O HunyuanOCR 1.5 é o modelo de OCR de ponta a ponta mais forte perto de 1B de parâmetros pelos próprios números da Tencent, e está juridicamente fora do alcance de qualquer pessoa na Europa, no Reino Unido ou na Coreia do Sul. Damos nota 4.1 de 5.
- Quanto custa HunyuanOCR 1.5?
- Gratuito sob a Tencent Hunyuan Community License fora da UE, do Reino Unido e da Coreia do Sul; serviços com mais de 100 milhões de usuários mensais precisam de licença da Tencent. Nenhum preço de API hospedada publicado.
- Quais são as desvantagens de HunyuanOCR 1.5?
- A licença exclui a UE, o Reino Unido e a Coreia do Sul; serviços com mais de 100 milhões de usuários mensais precisam da permissão da Tencent; todos os números de benchmark e velocidade são autodeclarados; atrás do pipeline de duas etapas do PaddleOCR-VL-1.6 no OmniDocBench v1.6.
- Para quem HunyuanOCR 1.5 é indicado?
- Equipes fora da Europa, do Reino Unido e da Coreia do Sul que querem um único modelo pequeno para parsing de documentos, detecção de texto, extração e tradução de imagens.
- Quanto custa HunyuanOCR 1.5 para uma equipe ou em produção?
- A Tencent mede 0,706 página por segundo com DFlash com uma solicitação e 1,797 com oito em uma H20; não há preço hospedado publicado, então o custo é o seu próprio tempo de GPU.
- HunyuanOCR 1.5 é seguro para dados da empresa?
- Tencent Hunyuan Community License: não vale na UE, no Reino Unido nem na Coreia do Sul, há uma política de uso aceitável, e serviços com mais de 100 milhões de usuários ativos mensais precisam consultar a Tencent. Execuções auto-hospedadas mantêm os documentos locais.
- Quais são as melhores alternativas ao HunyuanOCR 1.5?
- As alternativas mais próximas que analisamos são PaddleOCR-VL-1.6, MiniCPM-OCR 1.0, GLM-OCR, Qianfan-OCR e Unlimited-OCR 2.
Respostas verificadas em 2 de nov. de 2026.
Você faz o HunyuanOCR 1.5? Mostre esta nota no seu site
