/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
HunyuanOCR
Библиотека
transformers
Опубликована
22 июл 2026

HunyuanOCR-1.5-GGUF-Updated

Изображение и текст → текст15 профессий

HunyuanOCR-1.5-GGUF-Updated — GGUF-сборка мультимодальной модели HunyuanOCR-1.5, разработанной Tencent на базе tencent/HunyuanOCR.

2 982скачиваний за 30 дней4лайкавеса обновлены22 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это специализированная vision-language модель для распознавания и анализа документов: извлечения текста, разбора структуры и макета, обработки таблиц, графиков и формул, text spotting, информационного извлечения, а также перевода текста с изображений между китайским и английским языками. Поддерживаются английский и китайский языки.

Модель использует архитектуру HunYuanVLForConditionalGeneration и рассчитана на работу с изображениями и текстом. Заявлены максимальное разрешение изображения до 4K и контекстное окно до 128K токенов. Версия 1.5 сохраняет архитектурную основу HunyuanOCR-1.0 и добавляет DFlash speculative decoding для ускорения генерации длинных структурированных результатов, включая плотные документы, таблицы и формулы. Доступны варианты точности BF16, F16, F32 и квантизации Q3–Q8, что позволяет запускать модель на CPU, потребительских GPU и ноутбуках через llama.cpp, а также использовать Transformers и vLLM.

Сильные стороны модели — объединение нескольких OCR-сценариев в одном VLM, поддержка структурированного разбора документов, длинного контекста, 4K-изображений и локального запуска в GGUF-формате. Ограничения включают заявленную специализацию преимущественно на китайском и английском языках, необходимость совместимых инструментов и компонентов для отдельных режимов инференса, а также возможные компромиссы между качеством и ресурсами при использовании квантизированных вариантов. Распространяется по Tencent Hunyuan Community License Agreement; в метаданных также указана лицензия Apache-2.0.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HunyuanOCR-1.5-GGUF-Updated

HunyuanOCR-1.5 is Tencent's lightweight, end-to-end OCR-specialized vision-language model that unifies document parsing, text spotting, information extraction, and text-image translation within a single VLM, building on the validated architecture of HunyuanOCR-1.0 (archived under the v1.0/ subfolder) without redesigning the backbone. Its key upgrades target speed and capability: a DFlash speculative-decoding framework uses a lightweight block-diffusion draft model to propose multiple candidate tokens in parallel, verified by the target model in a single pass, significantly cutting decoding latency on long structured outputs like dense documents, tables, and formulas while preserving the original output distribution; it also supports CPU/consumer-GPU/laptop deployment via a GGUF-converted checkpoint and OpenAI-compatible llama-server, including a DFlash-adapted llama.cpp fork. On the training side, an Agentic Data Flow system — where agents handle material search, tool-based verification, and data-pipeline iteration in a closed loop with engineers — targets long-tail capabilities like low-resource and ancient-script OCR, alongside an upgraded recipe extending maximum image resolution to 4K and context window to 128K tokens, with refined SFT data and reinforcement learning across OCR tasks. The model uses the HunYuanVLForConditionalGeneration architecture (requiring transformers ≥5.13.0), supports native transformers, vLLM (both AR and DFlash modes from a single unified uv-based CUDA 13 environment), and llama.cpp inference paths across 12 task types (document parsing, structured/layout parsing, chart/formula/table extraction, and Chinese-English translation variants), and is released under the Tencent Hunyuan Community License Agreement.

[!NOTE] HunyuanOCR v1.5 [GGUF]

Model Files

File NameQuant TypeFile SizeFile Link
HunyuanOCR.BF16.ggufBF161.08 GBDownload
HunyuanOCR.F16.ggufF161.08 GBDownload
HunyuanOCR.F32.ggufF322.16 GBDownload
HunyuanOCR.Q3_K_L.ggufQ3_K_L327 MBDownload
HunyuanOCR.Q3_K_M.ggufQ3_K_M308 MBDownload
HunyuanOCR.Q3_K_S.ggufQ3_K_S285 MBDownload
HunyuanOCR.Q4_K_M.ggufQ4_K_M355 MBDownload
HunyuanOCR.Q4_K_S.ggufQ4_K_S342 MBDownload
HunyuanOCR.Q5_K_M.ggufQ5_K_M400 MBDownload
HunyuanOCR.Q5_K_S.ggufQ5_K_S392 MBDownload
HunyuanOCR.Q8_0.ggufQ8_0578 MBDownload
HunyuanOCR.mmproj-bf16.ggufmmproj-bf16997 MBDownload
HunyuanOCR.mmproj-f16.ggufmmproj-f16997 MBDownload
HunyuanOCR.mmproj-q8_0.ggufmmproj-q8_0733 MBDownload

llama.cpp

LLM inference in C/C++ — https://github.com/ggml-org/llama.cpp

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
9ddd3b4

0 моделей