LightOnOCR-2-1B：基于 RLVR 训练实现高精度端到端 OCR；Google Streetview 国家街景图像：基于世界级地理映射技术的全景图像

当前，OCR 技术依赖于复杂的串联式流水线：先检测文本区域，再进行识别，最后进行后处理。这种模式在面对版面复杂、格式多变的文档时，流程繁琐脆弱，任一环节出错都会导致整体结果不佳，且难以端到端优化，维护与适配成本高昂。

在此背景下，LightOn 公司开源发布 LightOnOCR-2-1B 模型。 这个仅 10 亿参数的端到端视觉-语言模型，在权威基准 OlmOCR-Bench 上实现了新的 SOTA，性能超越此前最佳的 90 亿参数模型，同时体积缩小 9 倍、推理速度提升数倍。LightOnOCR-2-1B 用一个统一模型直接从像素生成结构化的有序文本和图像边界框，通过集成预训练组件、高质量的蒸馏数据以及 RLVR 等策略，在简化流程的同时，显著提升了处理复杂文档的效率。

目前，HyperAI超神经官网已上线了「LightOnOCR-2-1B 轻量级高性能端到端 OCR 模型」，快来试试吧~

在线使用：go.hyper.ai/8zlVw

2 月 2 日-2 月 6 日，hyper.ai 官网更新速览：

优质教程精选：9 个
热门百科词条：5 条
2 月截稿顶会：4 个

访问官网：hyper.ai

公共教程精选

1.使用 vLLM-Omni 部署 Qwen-Image-Edit

Qwen-Image-Edit 是由阿里巴巴通义千问团队发布的多功能图像编辑模型。该模型具备语义与外观双重编辑能力，既能实现低层视觉外观编辑如元素的添加、移除或修改，也能完成高层视觉语义编辑例如 IP 创作、物体旋转、风格迁移等。模型支持中英文双语文本的精准编辑，可在保留原字体、大小及风格的前提下，直接修改图像中的文字内容。

**在线运行： **go.hyper.ai/DowYs

Demo 页面

2.使用 vLLM-Omni 部署 Qwen-Image-2512

Qwen-Image-2512 是 Qwen-Image 系列的基础文生图模型，相较于先前版本，Qwen-Image-2512 在多个关键维度进行了系统性优化，重点提升了生成图像的整体真实感与实用性。人像生成的自然度显著增强，面部结构、皮肤纹理及光影关系更趋近于真实摄影效果。在自然场景中，模型能生成更精细的地形纹理、植被细节和动物毛发等高频信息。同时，其文本生成与版式能力得到改善，能够更稳定地呈现可读文本与复杂排版。

在线运行：go.hyper.ai/Xk93p

Demo 页面

3.Step3-VL-10B：多模态视觉理解与图文对话

STEP3-VL-10B 是由阶跃星辰团队开源的视觉语言大模型，专为多模态理解与复杂推理任务设计。该模型旨在有限的百亿参数规模（10B）内，重新定义效率、推理能力与视觉理解质量间的平衡。其视觉感知、复杂推理及人类指令对齐能力表现优异，在多项基准测试中持续超越同规模模型，并在部分任务上可与参数规模大 10-20 倍的模型相媲美。

在线运行：go.hyper.ai/ZvOV0

Demo 页面

4.vLLM+Open WebUI 部署 GLM-4.7-Flash

GLM-4.7-Flash 是智谱 AI 推出的轻量级 MoE 推理模型，旨在实现高性能与高吞吐量的平衡，原生支持思维链、工具调用与智能体能力。它采用混合专家架构，利用稀疏激活机制显著降低单次推理的计算开销，同时保持大模型的表现力。

在线运行：go.hyper.ai/bIopo

5.LightOnOCR-2-1B 轻量级高性能端到端 OCR 模型

LightOnOCR-2-1B 是光年无限（LightOn AI）发布的最新一代端到端视觉语言模型（OCR）。作为 LightOnOCR 系列中的旗舰版本，它将文档理解与文本生成功能统一于一个紧凑的架构中，模型参数量为 10 亿，且能够在消费级显卡上运行（约需 6GB 显存）。该模型采用视觉语言 Transformer 架构，并引入了 RLVR 训练技术，实现了极高的识别准确率与推理速度。它专为需要处理复杂文档、手写体及 LaTeX 公式的应用场景而设计。

在线运行：go.hyper.ai/8zlVw

6.vLLM+Open WebUI 部署 LFM2.5-1.2B-Thinking

LFM2.5-1.2B-Thinking 是由 Liquid AI 发布的最新边缘优化混合架构模型。作为 LFM2.5 系列中专门针对逻辑推理优化的版本，它在紧凑的架构中统一了长序列处理与高效推理能力。模型参数量为 12 亿，可在消费级显卡乃至边缘设备上流畅运行。它采用创新的混合架构，实现了极致的记忆效率与吞吐量，专为需要在设备端进行实时推理且不牺牲智能水平的场景而设计。

在线运行：go.hyper.ai/PACIr

Demo 页面

7.TurboDiffusion：图像与文本驱动视频生成系统

TurboDiffusion 是由清华大学团队开发的高效视频扩散生成系统。该项目基于Wan 2.1 架构进行高阶蒸馏，旨在解决大规模视频模型推理速度慢、计算资源消耗高的痛点，以极少的步数实现高质量视频生成。

在线运行：go.hyper.ai/YjCht

Demo 页面

8.DeepSeek-OCR 2 视觉因果流

DeepSeek-OCR 2 是深度求索团队发布的第二代 OCR 模型。通过引入 DeepEncoder V2 架构，它实现了从固定扫描到语义推理的范式转变。模型采用因果流查询与双流注意力机制，对视觉令牌进行动态重排序，更准确地重构复杂文档的自然阅读逻辑。在 OmniDocBench v1.5 评估中，模型综合得分达 91.09%，相较前代显著提升，同时大幅降低了 OCR 结果的重复率，为未来构建全模态编码器提供了新路径。

在线运行：go.hyper.ai/ITInm