模型介绍
中文整理🎯 Demo
📥 Model Download
📄 Technical Report
🌟 Github
HunyuanOCR
📖 Introduction
HunyuanOCR** stands as a leading end-to-end OCR expert VLM powered by Hunyuan's native multimodal architecture. With a remarkably lightweight 1B parameter design, it has achieved multiple state-of-the-art benchmarks across the industry. The model demonstrates mastery in **complex multilingual document parsing** while excelling in practical applications including **text spotting, open-field information extraction, video subtitle extraction, and photo translation**.
🚀 Quick Start with Transformers
Installation
- *Note**: We will merge it into the Transformers main branch later.
Model Inference
🚀 Quick Start with vLLM
Installation
Model Inference
💬 Application-oriented Prompts
Task English Chinese
- ----- --------- ---------
- *Spotting** Detect and recognize text in the image, and output the text coordinates in a formatted manner. 检测并识别图片中的文字，将文本坐标格式化输出。
- *Parsing** • Identify the formula in the image and represent it using LaTeX format.• Parse the table in the image into HTML.• Parse the chart in the image; use Mermaid format for flowcharts and Markdown for other charts.• Extract all information from the main body of the document image and represent it in markdown format, ignoring headers and footers. Tables should be expressed in HTML format, formulas in the document should be represented using LaTeX format, and the parsing should be organized according to the reading order. • 识别图片中的公式，用 LaTeX 格式表示。• 把图中的表格解析为 HTML。• 解析图中的图表，对于流程图使用 Mermaid 格式表示，其他图表使用 Markdown 格式表示。• 提取文档图片中正文的所有信息用 markdown 格式表示，其中页眉、页脚部分忽略，表格用 html 格式表达，文档中公式用 latex 格式表示，按照阅读顺序组织进行解析。
- *Information Extraction** • Output the value of Key.• Extract the content of the fields: ['key1','key2', ...] from the image and return it in JSON format.• Extract the subtitles from the image. • 输出 Key 的值。• 提取图片中的: ['key1','key2', ...] 的字段内容，并按照 JSON 格式返回。• 提取图片中的字幕。
- *Translation** First extract the text, then translate the text content into English. If it is a document, ignore the header and footer. Formulas should be represented in LaTeX format, and tables should be represented in HTML format. 先提取文字，再将文字内容翻译为英文。若是文档，则其中页眉、页脚忽略。公式用latex格式表示，表格用html格式表示。
📚 Citation
🙏 Acknowledgements
We would like to thank PaddleOCR, MinerU, MonkeyOCR, DeepSeek-OCR, dots.ocr for their valuable models and ideas.
We also appreciate the benchmarks: OminiDocBench, OCRBench, DoTA.
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。