Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
ИнфраструктураAPI / Продукт · В работуRaft→ оригинал

HunyuanOCR от Tencent на 1 млрд параметров читает 70% сканов без правок, но путает таблицы

HunyuanOCR — модель Tencent на 1 млрд параметров, которая переводит сканы документов в текст и работает на обычном железе. Data Scientist Артём проверил её на русских документах: около 70% страниц вышли пригодными без ручной правки, но в таблицах она иногда путает ячейки местами. Брать её стоит для печатных сканов и простых таблиц, а для рукописи нужна другая модель.

AI-обработка оригинала Raft; редакция Hamidun News
HunyuanOCR от Tencent на 1 млрд параметров читает 70% сканов без правок, но путает таблицы
Источник: Raft. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникRaft ↗
Главный редактор
Ключевой факт #1Запуск через vLLM занял 1–2 часа из-за конфликтов версий transformers
Ключевой факт #2Промпты на китайском дают меньше зацикливаний и выдумок, чем английские
Таблицы лучше просить в HTMLMarkdown сдвигает ячейки

Представьте, что вам нужно превратить стопку отсканированных договоров и ведомостей в текст, который можно искать и анализировать. Для этого служат OCR-модели, то есть нейросети, распознающие текст на картинках. HunyuanOCR от Tencent — одна из них: у неё около 1 млрд параметров (для сравнения, универсальные модели-гиганты в десятки и сотни раз больше), поэтому её можно запускать локально, на обычном железе. Data Scientist Артём проверил её на русскоязычных документах и пришёл к такому выводу: примерно 70% страниц получаются пригодными без ручной правки, но таблицы она иногда путает, а рукописный текст почти не читает. Это личные тесты автора, а не официальный бенчмарк, и всё же они полезны тем, что показывают модель вне красивых заявлений про «SOTA».

Сначала бой с окружением

Первая проблема не про качество распознавания. Модель не всегда запускается из коробки: приходится подбирать версии библиотек, в первую очередь transformers и связанных пакетов, и базовый запуск требует нескольких попыток. Особенно это заметно с vLLM, который формально считается одним из самых удобных способов развёртывания. По словам автора, на первую корректную генерацию без ошибок ушло около 1–2 часов. Практический вывод: закладывайте время на ручную настройку среды под свою конфигурацию, иначе возни с окружением выйдет больше, чем самой работы с OCR.

Промпт решает почти всё

По наблюдениям автора, промпт отвечает примерно за 80% стабильной работы модели. Она понимает английский, но на родных китайских формулировках работает ровнее: реже выдумывает текст и меньше склонна к зацикливанию. Типичная инструкция просит сохранять переносы строк, абзацы и порядок чтения, не создавать пустых таблиц, не повторять один и тот же фрагмент и выводить только результат распознавания. Если часть текста разобрать нельзя, модели лучше велеть оставить место пустым, а не гадать.

Второй рычаг — формат вывода. Markdown в таблицах часто плывёт, а HTML лучше сохраняет геометрию ячеек. Если вам нужны таблицы, просите HTML.

Главный технический риск — бесконечный цикл: в конце документа модель начинает повторять один и тот же фрагмент. Частично это лечится точной формулировкой задачи в промпте. Если страница обрабатывается слишком долго, значит, модель либо зациклилась, либо текста там действительно очень много. Автор советует принудительно останавливать такую генерацию по таймауту или ограничивать число генерируемых токенов.

Что с качеством

Скорость — сильная сторона: страницы обрабатываются неожиданно быстро, и для локальных пайплайнов с малой задержкой это серьёзный плюс. На печатных документах результат стабильный, даже при фоновых шумах, печатях и неидеальных сканах. Мелкие опечатки в словах случаются, но для анализа документа, извлечения ключевых данных или составления чек-листа это редко критично.

С таблицами хуже. Текст внутри ячеек модель читает отлично, но геометрию иногда интерпретирует неверно: путает координаты и меняет ячейки местами. На стандартных таблицах без сложной вёрстки результат рабочий. На примере ведомости по ремонту дома в одном случае структура получилась почти идеальной, а в другом, с нестандартной вёрсткой, таблица превратилась в нумерованный список.

Другие слабые места:

  • модель иногда пропускает нижнюю часть страницы, чаще всего последние абзацы длинных документов; помогает небольшое увеличение или обрезка полей;
  • рукописный русский почти не распознаётся: на школьной работе по истории цифры и даты в целом сохранились, хотя 1905–1907 превратилось в 1905–1904, а длинные ответы стали бессвязным набором слов;
  • печати на документах модель, наоборот, читает хорошо.

Как относиться к выводам

Автор прямо оговаривает, что его цифры получены в личных тестах на трёх типах данных: печатные документы, рукописный русский и таблицы со сложной структурой. Это оценка прогресса после подбора промптов и параметров, а не официальный бенчмарк. Выборка небольшая, на ваших документах результат может отличаться.

Итог для разработчиков такой. HunyuanOCR подходит для печатных сканов, быстрых локальных пайплайнов и простых таблиц, если вы готовы потратить время на установку, подобрать китайский промпт, запрашивать HTML и поставить таймаут против зацикливания. Для рукописи, сложной табличной вёрстки и задач, где нельзя потерять ни одного абзаца, нужна другая модель или ручная проверка.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: сначала бой с окружением?

Первая проблема не про качество распознавания. Модель не всегда запускается из коробки: приходится подбирать версии библиотек, в первую очередь transformers и связанных пакетов, и базовый запуск требует нескольких попыток. Особенно это заметно с vLLM, который формально считается одним из самых удобных способов развёртывания. По словам автора, на первую корректную генерацию без ошибок ушло около 1–2 часов.

Что известно по теме: промпт решает почти всё?

По наблюдениям автора, промпт отвечает примерно за 80% стабильной работы модели. Она понимает английский, но на родных китайских формулировках работает ровнее: реже выдумывает текст и меньше склонна к зацикливанию. Типичная инструкция просит сохранять переносы строк, абзацы и порядок чтения, не создавать пустых таблиц, не повторять один и тот же фрагмент и выводить только результат распознавания. Если часть текста разобрать нельзя, модели лучше велеть оставить место пустым, а не гадать.

Что известно по теме: что с качеством?

Скорость — сильная сторона: страницы обрабатываются неожиданно быстро, и для локальных пайплайнов с малой задержкой это серьёзный плюс. На печатных документах результат стабильный, даже при фоновых шумах, печатях и неидеальных сканах. Мелкие опечатки в словах случаются, но для анализа документа, извлечения ключевых данных или составления чек-листа это редко критично. С таблицами хуже. Текст внутри ячеек модель читает отлично, но геометрию иногда интерпретирует неверно: путает координаты и меняет ячейки местами.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…