文档解析、会议转录、安全审核、深度估计，这四件事根本不用上前沿大模型。腾讯、微软、Mistral、Ultralytics 各有一个专用开源模型，参数在 1B 到 9B 之间，只有通用大模型的一个零头。
腾讯的 HunyuanOCR 1.5 是个 10 亿参数的端到端 OCR 视觉语言模型，读扫描页、表格和公式，还保留页面结构，拿到的不只是一堆散字。
微软的 VibeVoice ASR 约 90 亿参数，一次能转录最长 60 分钟的音频，64K 上下文让每个说话人的身份在整段录音里保持一致，支持 50 多种语言。
Mistral 的 Shieldstral 是 3 到 3.8B 的开源权重多模态安全分类器，Apache 2.0 协议，在不安全输出到达用户之前就做出审核判断。
Ultralytics 的 YOLO26 带了五个预训练深度模型，从 yolo26n-depth 到 yolo26x-depth，一张照片就能估距离，在约 219 万张室内外图像上训练过。NYU Depth V2 基准上 δ1 准确率 0.882 到 0.933。
正文完