腾讯混元、1B パラメータの OCR 大モデル「HyOCR-1.5」を全ソースコード公開

記事の3ポイント

1. 1

   DFlash による推論加速の実現

   約 90.7M パラメータの草稿モデルを用いた DFlash 投机解码フレームワークを採用し、Transformers 環境で最大 6.37 倍、vLLM で 2.14 倍の速度向上を達成した。

2. 2

   完全なオープンソース化

   データ構築方法、訓練レシピ、モデル重み、推論加速フレームワークまで全て公開され、開発者は誰でも復現や二次開発が可能となった。

3. 3

   汎用性と軽量化の両立

   1B 規模でありながら、文字認識から古文字・動画字幕まで 8 種以上のタスクをカバーし、CPU や消費級 GPU でも動作可能な軽量設計を実現した。