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
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.
- 31 окт. 2026 г.Xiaomi выпустила бесплатный OCR на 800 млн параметров, обошедший Qwen3.5-2B
- 6 нояб. 2026 г.Tencent выпустила Hy4: модель читает 1 млн токенов, а API стоит от 83 центов
- 14 июл. 2026 г.Tencent открыла исходный код LLM Hy3 с 295 млрд параметров
- 19 нояб. 2026 г.Tencent открыла Hy4 flash: из 224 млрд параметров работают 12 млрд, контекст 1 млн токенов
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.
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.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.