← すべてのモデル

HunyuanOCR-1.5

公開日 提供元 Tencent

概要

HunyuanOCR-1.5は、文字を中心とする視覚タスク向けの軽量なエンドツーエンドOCR特化型視覚言語モデルです。モデルカードには約10億パラメータと記載されています。公開日は2026年7月7日です。 (github.com)

能力と用途

  • 文書解析、文字の検出・認識、情報抽出、画像内テキストの翻訳を単一モデルで扱います。文書のデジタル化や構造化情報の抽出に利用できます。
  • 古文字や低リソース言語のOCR、複数画像にまたがる文字中心の質問応答にも対応するよう改良されています。
  • DFlash投機的デコーディングで長い構造化出力の推論を高速化できます。vLLMやTransformersに加え、GGUF変換済み重みとllama.cppによるCPU・一般向けGPU・ノートPCでの実行も案内されています。
  • 公式説明では、学習時の最大画像解像度を4K、コンテキストを128Kに拡張したとしています。実際の利用可能な長さや速度は実行環境と設定に依存します。 (github.com)

制限と利用条件

  • OCRや抽出結果の正確性は保証されないため、重要な文書では原文との照合が必要です。
  • 公式の統合推論環境はCUDA 13を要求します。個別構成向けの軽量な手順も案内されています。
  • 公開リポジトリのTencent Hunyuan Community Licenseには地域制限があり、EU、英国、韓国は対象地域から除外されています。また、所定の月間アクティブユーザー数が1億人を超える場合は別途ライセンスが必要です。利用・再配布前に原文を確認してください。 (github.com)

料金

2026年11月16日にTencent Cloudの中国国内向け料金表と国際向け料金表を確認しましたが、HunyuanOCR-1.5を特定できる公式API料金は未確認です。したがって、CNY・USDとも入力/出力の単価や課金単位は記載できません。公開重みの自己ホストには、別途計算資源や運用費用がかかり得ます。別モデルや一般OCRサービスの料金を本モデルの料金として扱っていません。 (cloud.tencent.com)

公式資料