HunyuanOCR de Tencent (1 milliard de paramètres) lit 70 % des scans sans retouche, mais confond les tableaux
HunyuanOCR est un modèle OCR de Tencent doté de 1 milliard de paramètres, qui convertit des scans de documents en texte et fonctionne sur du matériel ordinaire. Le Data Scientist Artem l'a testé sur des documents en russe : environ 70 % des pages sont exploitables sans retouche manuelle, mais il arrive que le modèle intervertisse des cellules dans les tableaux. Il est recommandé pour les scans imprimés et les tableaux simples ; pour l'écriture manuscrite, il faut une autre solution. Le lancement via vLLM a pris 1 à 2 heures à cause de conflits de versions de transformers.
Traité par IA depuis Raft ; édité par Hamidun News
Imaginez que vous deviez transformer une pile de contrats et de relevés scannés en texte que l'on peut rechercher et analyser. C'est à cela que servent les modèles OCR, c'est-à-dire des réseaux de neurones qui reconnaissent le texte sur les images. HunyuanOCR de Tencent en fait partie : il compte environ 1 milliard de paramètres (à titre de comparaison, les modèles généralistes géants en comptent des dizaines, voire des centaines de fois plus), ce qui permet de l'exécuter en local, sur du matériel ordinaire.
Le Data Scientist Artem l'a testé sur des documents en russe et en tire la conclusion suivante : environ 70 % des pages sont exploitables sans retouche manuelle, mais il arrive que le modèle confonde les tableaux et qu'il lise presque mal le texte manuscrit. Il s'agit de tests personnels de l'auteur, et non d'un benchmark officiel ; ils restent néanmoins utiles, car ils montrent le modèle en conditions réelles, loin des annonces spectaculaires sur le « SOTA ».
D'abord, la bataille avec l'environnement
Le premier problème ne concerne pas la qualité de la reconnaissance. Le modèle ne fonctionne pas toujours dès l'installation : il faut ajuster les versions des bibliothèques, en premier lieu transformers et les paquets associés, et le premier lancement demande plusieurs tentatives. Cela se remarque surtout avec vLLM, pourtant réputé comme l'une des solutions de déploiement les plus pratiques. Selon l'auteur, il a fallu environ 1 à 2 heures pour obtenir une première génération correcte, sans erreur. Conclusion pratique : prévoyez du temps pour configurer l'environnement selon votre configuration, faute de quoi les déboires techniques prendront plus de temps que le travail OCR lui-même.
Le prompt règle presque tout
D'après les observations de l'auteur, le prompt conditionne environ 80 % de la stabilité du modèle. Celui-ci comprend l'anglais, mais il fonctionne plus régulièrement avec des formulations natives en chinois : il invente moins de texte et tourne moins souvent en boucle. Une instruction type demande de conserver les retours à la ligne, les paragraphes et l'ordre de lecture, de ne pas créer de tableaux vides, de ne pas répéter le même fragment et de ne produire que le résultat de la reconnaissance. Si une partie du texte est illisible, il vaut mieux demander au modèle de laisser un espace vide plutôt que de deviner.
Le second levier est le format de sortie. Le Markdown dans les tableaux se décale souvent, alors que le HTML préserve mieux la géométrie des cellules. Si vous avez besoin de tableaux, demandez du HTML.
Le principal risque technique est la boucle infinie : en fin de document, le modèle se met à répéter le même fragment. La formulation précise de la tâche dans le prompt atténue en partie le problème. Si une page met anormalement longtemps à être traitée, le modèle est soit bloqué dans une boucle, soit la page contient réellement beaucoup de texte. L'auteur conseille d'interrompre de force ce type de génération à l'aide d'un délai d'expiration ou de limiter le nombre de tokens générés.
Qu'en est-il de la qualité ?
La vitesse est un point fort : les pages sont traitées étonnamment vite, ce qui représente un atout sérieux pour les chaînes de traitement locales à faible latence. Sur les documents imprimés, le résultat est stable, même en présence de bruit de fond, de tampons ou de scans imparfaits. Quelques coquilles subsistent dans les mots, mais, pour l'analyse d'un document, l'extraction de données clés ou la rédaction d'une liste de contrôle, elles sont rarement critiques.
Les tableaux sont plus problématiques. Le modèle lit très bien le texte à l'intérieur des cellules, mais il interprète parfois mal la géométrie : il confond les coordonnées et intervertit les cellules. Sur des tableaux standard sans mise en page complexe, le résultat est exploitable. Sur un relevé de travaux de rénovation d'une maison, la structure s'est avérée presque parfaite dans un cas, alors que dans un autre, à la mise en page atypique, le tableau s'est transformé en liste numérotée.
Autres points faibles :
- le modèle omet parfois la partie inférieure d'une page, le plus souvent les derniers paragraphes de longs documents ; un léger agrandissement ou le recadrage des marges peut aider ;
- le russe manuscrit est presque impossible à reconnaître : dans un devoir d'histoire scolaire, les chiffres et les dates ont globalement été conservés, mais « 1905–1907 » est devenu « 1905–1904 », et les réponses longues se sont transformées en un enchaînement de mots incohérent ;
- en revanche, le modèle lit bien les tampons présents sur les documents.
Comment interpréter ces conclusions
L'auteur précise que ses chiffres proviennent de tests personnels portant sur trois types de données : des documents imprimés, du russe manuscrit et des tableaux à structure complexe. Il s'agit d'une évaluation des progrès obtenus après le choix des prompts et des paramètres, et non d'un benchmark officiel. L'échantillon est restreint, et les résultats peuvent différer sur vos propres documents.
Pour les développeurs, la conclusion est la suivante. HunyuanOCR convient aux scans imprimés, aux chaînes de traitement locales rapides et aux tableaux simples, à condition d'accepter de consacrer du temps à l'installation, de choisir un prompt en chinois, de demander du HTML et de mettre en place un délai d'expiration contre les boucles. Pour le manuscrit, les tableaux à mise en page complexe et les tâches où la moindre perte de paragraphe est inacceptable, il faudra un autre modèle ou une vérification manuelle.
- 31 oct. 2026Xiaomi publie un OCR gratuit de 800 millions de paramètres qui devance Qwen3.5-2B
- 6 nov. 2026Tencent lance Hy4 : 1 million de tokens en entrée et une API à partir de 83 cents
- 14 juil. 2026Tencent ouvre le code de Hy3, un LLM de 295 milliards de paramètres
- 19 nov. 2026Tencent ouvre Hy4 flash : 12 milliards de paramètres actifs sur 224 milliards, contexte de 1 million de tokens
Questions clés sur cet article
Qu'en est-il de la qualité ?
La vitesse est un point fort : les pages sont traitées étonnamment vite, ce qui représente un atout sérieux pour les chaînes de traitement locales à faible latence. Sur les documents imprimés, le résultat est stable, même en présence de bruit de fond, de tampons ou de scans imparfaits. Quelques coquilles subsistent dans les mots, mais, pour l'analyse d'un document, l'extraction de données clés ou la rédaction d'une liste de contrôle, elles sont rarement critiques. Les tableaux sont plus problématiques.
Que sait-on sur D'abord, la bataille avec l'environnement ?
Le premier problème ne concerne pas la qualité de la reconnaissance. Le modèle ne fonctionne pas toujours dès l'installation : il faut ajuster les versions des bibliothèques, en premier lieu transformers et les paquets associés, et le premier lancement demande plusieurs tentatives. Cela se remarque surtout avec vLLM, pourtant réputé comme l'une des solutions de déploiement les plus pratiques. Selon l'auteur, il a fallu environ 1 à 2 heures pour obtenir une première génération correcte, sans erreur.
Que sait-on sur Le prompt règle presque tout ?
D'après les observations de l'auteur, le prompt conditionne environ 80 % de la stabilité du modèle. Celui-ci comprend l'anglais, mais il fonctionne plus régulièrement avec des formulations natives en chinois : il invente moins de texte et tourne moins souvent en boucle. Une instruction type demande de conserver les retours à la ligne, les paragraphes et l'ordre de lecture, de ne pas créer de tableaux vides, de ne pas répéter le même fragment et de ne produire que le résultat de la reconnaissance.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.