HunyuanOCR — 商用级轻量 1B OCR VLM（腾讯，2025）
📄 原文：arXiv:2511.19575 · PDF
⭐ 1B 单模型统一”感知(spotting/parsing) + 语义(信息抽取/翻译)“，证明小模型也能全能。
一句话
1B 参数轻量 VLM：Native ViT 视觉编码器 + MLP adapter + 轻量 LLM， 统一做 text spotting、文档 parsing、信息抽取(IE)、图像翻译；<3B 模型里 OCRBench SOTA， ICDAR2025 小模型赛冠军，甚至打过商用 API 和 Qwen3-VL-4B。
架构要点
- Native ViT：原生分辨率视觉编码（同 NaViT 思路），保小字细节。
- MLP adapter 连接视觉与 LLM（极简对齐，非 Q-Former 那种重结构）。
- 一个模型多任务：感知类（定位+识别）与语义类（抽取+翻译）共享，靠 prompt 区分任务。
对 OCR 系统设计的启示
- 极简连接器 (MLP adapter)：视觉→LLM 不必上重型 resampler，MLP 够用且省参数—— AR OCR 后端 接视觉特征时可先试最简方案。
- 多任务统一：spotting/parsing/IE/翻译共用一套，说明AR OCR 后端 解码器可以靠 prompt 扩展到”识别之外”的语义任务（抽取、翻译），一模多用。
- 1B 打过 4B：再次印证小而精 + 好数据 > 堆参数，和 mineru2.5-pro 一个结论。
关联
- 同”native 分辨率编码器”：paddleocr-vl
- 小模型高性能：mineru2.5-pro、ovis-ocr2、glm-ocr
- 基准：omnidocbench