HyOCR-1.5 在端侧部署时，推理延迟是最大拦路虎。
团队用 DFlash 推测解码框架解决了这个问题。它运行一个 90.7M 参数的轻量级草稿模型做并行预测，在 OmniDocBench 评测集上，相比标准 Transformers 架构提速 6.37 倍。这让它成了目前端对端 OCR 模型里的速度第一。
数据构建方式也变了。HyOCR-1.5 不再依赖人工标注，而是让 Agent 自己去拆解任务、收集数据、验证结果。这套闭环训练流程补上了长尾场景的短板，古籍文字识别、低资源语言处理、跨页多图像问答这些以前难啃的骨头，现在都能跑通。输入端支持 4K 分辨率和 128K 上下文窗口，处理复杂文档时鲁棒性明显提升。
性能数据很硬。模型参数量只有 1B，但在 OmniDocBench v1.6 评测里，它稳居端对端模型第一梯队。古籍文字识别和图表解析这两个特定任务上，它的表现甚至能和 8B 的通用大模型掰手腕。
HyOCR-1.5 把“小参数、快推理”这件事做实了。以前大家觉得轻量模型落地难，是因为算得慢；现在 DFlash 把推理时间压下来，1B 参数模型在垂直领域达到顶尖水平就有了基础。再加上 Agent 驱动的闭环训练，模型不用靠堆数据也能自我修正，处理古籍、低资源语言这些难例时，逻辑推理比单纯的数据堆砌更管用。
作为首个全栈开源的端对端 OCR 模型，它把从数据构建到推理加速的全链路都公开了。中小开发者不用从头造轮子，直接在消费级显卡或普通笔记本上就能部署这套高性能 OCR，真正把 OCR 能力从云端搬到了本地设备。
