夜雨聆风HunyuanOCR-1.5 在 HunyuanOCR-1.0【多模态文档解析模型新进展：腾讯开源HunyuanOCR-1B模型架构、训练配方】 的验证过架构基础上，不重新设计 backbone，只围绕两个目标做升级：
引入 DFlash 推测解码：Transformers 推理 6.37× 加速；vLLM 上推理 2.14× 加速。 Agentic Data Flow + 训练配方升级，长尾能力扩展。
覆盖任务：文档解析、text spotting、信息抽取、图文翻译、多图文档理解，在单一端到端 VLM 中完成。
模型架构
沿用 HunyuanOCR-1.0 的三段式结构【Hunyuan-ViT（4K 原生分辨率） + Adaptive MLP Connector + Hunyuan-0.5B LLM】:
视觉编码器最大分辨率从 2K → 4K：保留原生长宽比与空间布局，用于处理超密文档、超大表格、复杂图表。 MLP Connector：对高分辨率视觉 patch 做可学习池化与投影，压缩成紧凑的 visual tokens。 语言模型：Hunyuan-0.5B，使用 XD-RoPE 编码 text / height / width / time 四个维度，天然支持多图 / 时序输入。 端到端：图片 + 指令 → 直接输出 Markdown / HTML 表 / LaTeX 公式 / chart 描述，无任何 layout / detection / recognition 级联模块。
DFlash 推理加速
为什么需要 DFlash
端到端 OCR 的痛点是长自回归解码：
密集文档、表格、公式、多列文档 → 输出序列很长； AR decoding 在单请求 / 低并发场景下 memory-bandwidth-bound，算力大量闲置； 传统推测解码（EAGLE 系列）虽然减少目标模型步数，但草稿模型本身仍是自回归的，草稿成本随候选数量线性增长，加速上限约 2–3×。
DFlash 的核心思想
DFlash 用一个轻量 block-diffusion 草稿模型，通过一次并行前向生成一整块候选 tokens，再交给目标模型并行验证。
推测解码 per-token latency：
其中 是每轮期望接受 token 数。DFlash 双管齐下：
降低 ：block diffusion 一次并行出 个候选，摆脱 AR 草稿的串行开销； 提高 （接受长度）：不像 EAGLE 只把 target hidden 作为输入嵌入，DFlash 把 target 的多层 hidden 特征融合后作为 K/V 直接注入草稿模型每一层（KV Injection）——"the target knows best"。
DFlash 推理流程。Target 抽出多层 hidden 特征 → 融合 → 注入到 draft 每一层的 KV cache，实现条件化并行 speculation。
三条设计要点：
Context features from target model：prefill 阶段抽取多层 hidden，融合成 target context feature。 KV Injection：这些特征投影后写入草稿模型 KV cache，跨迭代复用；草稿越深收益越大（EAGLE 加深反而增益递减）。 Parallel diffusion drafting：block 内所有 mask 位置并行去噪，一次 forward 出块。
DFlash 在 HunyuanOCR-1.5 中的应用
（1）草稿模型规格
| 约 90.7M | |
| 5-layer Transformer | |
| 用 target 模型最后 5 层 decoder 权重初始化 | |
| 16 | |
| 16 | |
| 7.0 |
（2）训练机制（target 冻结，只训 DFlash）
训练流程：
Step 1: 用 target model 跑一次完整序列，缓存 hidden states 作为条件表征 Step 2: 在序列上随机采 n=16 个 anchor 位置 Step 3: 每个 anchor 起一个独立的 block-drafting 任务， 用 mask tokens 填充 block 内其余位置 Step 4: 把 n 个 block 拼成一个 batch，一次 forward 训练
FlexAttention block-diagonal 掩码：每个 block 只能：
看到 anchor 之前的 target hidden state； 看到同一 block 内的 mask token 查询； 跨 block 完全隔离，避免信息泄漏。
DFlash 训练时的稀疏注意力设计。Target 提供 context features（蓝色）；每个 masked block 内，从 clean response 采样出 anchor（黄色）作为起点，其余 mask token（绿色）位置由 draft 并行预测；不同 block 之间通过 attention mask（白色）严格隔离。
HunyuanOCR-1.5 中 DFlash 的 block-diagonal 掩码可视化。n=16 个 anchor 位置各自领起一个 block，独立训练。
（3）损失函数（position-weighted next-token CE）
对第 个 anchor 内位置 的权重：
排除 anchor 位置本身和无效位置； 指数衰减：越靠后的位置权重越低（越难预测），越靠前的位置权重越高（早期错误会让整个 block 后续全部作废）。
损失：
其中 是 anchor 前的 target hidden， 是 block 内 mask token 查询。
（4）推理阶段：draft-and-verify
[Prefill] Target 跑一次 → 缓存 hidden features ↓ 融合投影 注入到 draft 每层的 K/V cache[Loop]: Draft: draft 模型一次并行前向 → 输出 B=16 个候选 tokens Verify: target 模型一次并行前向验证整个 block → 接受最长有效前缀（保持 target 分布不变） → 未接受部分丢弃，下一轮以最新 accepted token 为新 anchor关键性质：无损。target 分布保持不变，加速完全来自"用闲置算力换更少的 AR 步数"。
为什么 DFlash 对 OCR 特别有效
OCR 输出具有强局部规律性——HTML 表格 <td><tr>、LaTeX 公式、结构化 Markdown 都是高度可预测的：
未来 token 更容易被草稿模型猜对 → 接受长度 更长； 输出越长，AR 步数越多，每一步都摊薄到"一次 verify 前进多 token"的收益 → 速度提升越明显。
实验
整体速度对比：
| 1.408s | |||
| 1002.3 token/s |
按输出长度看加速比（越长越明显）：
| 6.67× | 2.30× |
按内容类型看加速比（结构越强越明显）：
Table > Formula > Text（表格因为 HTML 结构最规整，接受长度最长）
与 SOTA OCR 系统对比：
单页 1.408s / 0.706 page/s，比 GLM-OCR 快 1.17×，比 PaddleOCR-VL-1.6 快 1.24×，比 dots.ocr 快 5.08×。
并发场景：
vLLM 并发 1–32 下始终 >1.8× 加速，并发=4 时最高 2.26×；并发再高时 GPU 饱和，闲置算力减少，加速比自然下降（这是推测解码的本质规律）。
部署支持：
除了 vLLM 服务端部署，还通过 llama.cpp 支持 PC 端（CPU / 消费级 GPU / 笔记本）部署。
Better：Agentic Data Flow + 训练配方升级
1 Agentic Data Flow：以模型弱点为导向的数据生产pipeline
不是"堆数据量"，而是把模型能力缺口翻译成可执行的数据需求。Agent 被赋予工具调用能力（Web search / OCR / VLM / 脚本 / 图像清洗 / 数据生成），承担三类操作：
| 素材搜集与组织 | |
| 工具辅助清洗与验证 | |
| 弱点导向的 pipeline 开发迭代 |
2 三个具体落地场景
低资源 OCR：合成覆盖 331 种语言的解析数据（灵感来自 SynthText / SynthDoG）； 古文字 OCR：聚焦 7 种历史汉字，覆盖不同书写方向、版式、退化； 多图 QA：从多页 PDF 生成 cross-page 检索 / 对比 / 证据聚合 / 文档级推理问题，并过滤掉单页就能答的、答案与 PDF 上下文不一致的、无显式文本证据的样本。
3 训练配方升级（三阶段）
（1）Pretraining：重规划 Stage3
数据：Agentic Data Flow 新数据 + 多图理解数据 + 1.0 的历史 OCR 数据混合训练（既扩边界又不掉旧能力）； 输入规格：最大分辨率 → 4K，context window → 128K。
（2）SFT：为 RL 打基础
数据精炼：从 1.0 的 post-training 数据出发，剔除标注错误、格式不一致、图文不匹配、目标模糊、低质重复；补充 Agentic 新数据 + 用户 hard case + 新能力关键样本； SFT / RL 数据分裂：难度高的样本留给 RL； 统一 prompt 设计：每个任务能力对应专门 prompt，为 RL 阶段提供清晰的任务边界。
（3）RL：capability ceiling improvement
使用 IcePop（GRPO 变体，带 token 级 train–inference 校准比过滤），token-mean loss，包含三重奖励系统：
a. Factuality-Oriented Reward（文档解析）
Table：，用 1D-probe 结构奖替代 TEDS-S，用 anchor-guided destylization 改进 TEDS 内容奖； Chart：转 CSV 后用 SCRM 算 mAP，对行列顺序无关。
b. Consistency-Based Judging Reward（通用 QA）
VQA：LLM-as-judge 给 0/1； Translation：辅助元数据（源语言文本 + 目标语言标签），soft score [0,5] 经 debiased 映射归一到 [0,1]。
c. Degeneration Suppression Reward（生成稳定性）
Overlong penalty：超长度上限直接给 0； 重复片段检测：末尾单元长度 ≤ max_unit、连续重复 ≥ min_repeats 次的 rollout 给 0。
实验
参考文献
HunyuanOCR-1.5: Making Lightweight OCR VLMs Faster and Better,https://arxiv.org/abs/2607.04884 DFlash: Block Diffusion for Flash Speculative Decoding,https://arxiv.org/abs/2602.06036 HuggingFace: https://huggingface.co/tencent/HunyuanOCR GitHub: https://github.com/Tencent-Hunyuan/HunyuanOCR
往期相关
多模态文档解析的开源项目模型技术方案都在《文档智能专栏》，如：
