diff --git a/docs/source/index.md b/docs/source/index.md
index f20d061e..b667cde2 100644
--- a/docs/source/index.md
+++ b/docs/source/index.md
@@ -64,6 +64,7 @@ AngelSlim是腾讯自研的，致力于打造更易用、更全面和更高效
          - Minference(建设中)
    * - **图/视频生文(VLM)**
      - - Hunyuan-VL
+       - HunyuanOCR
        - Qwen3-VL
        - Qwen2.5-VL
      - - FP8-Static/Dynamic
@@ -131,6 +132,7 @@ features/diffusion/index
 :maxdepth: 1
 
 models/hunyuan/hunyuan_quant
+models/hunyuan_ocr/hunyuan_ocr_quant
 models/deepseek/deepseek_quant
 models/qwen/qwen_quant
 models/qwenvl/qwenvl_quant
diff --git a/docs/source/models/hunyuan_ocr/hunyuan_ocr_quant.md b/docs/source/models/hunyuan_ocr/hunyuan_ocr_quant.md
new file mode 100644
index 00000000..d19e0af1
--- /dev/null
+++ b/docs/source/models/hunyuan_ocr/hunyuan_ocr_quant.md
@@ -0,0 +1,88 @@
+# HunyuanOCR量化
+
+HunyuanOCR模型主要采用 FP8、Int4-GPTQ、Int4-AWQ 三种方案进行模型压缩
+
+## Installation
+```shell
+pip install git+https://github.com/huggingface/transformers@82a06db03535c49aa987719ed0746a76093b1ec4
+```
+> Reference: https://github.com/Tencent-Hunyuan/HunyuanOCR
+
+> Note: Currently, Transformers has a certain performance degradation compared to the vLLM framework (we are working hard to fix it), and we will merge the fixed version into the Transformers main branch later.
+
+## FP8量化
+
+FP8 量化采用 8 位浮点格式，通过少量校准数据（无需训练）预先确定全局缩放因子，将模型权重与激活值永久转换为FP8格式，提升推理效率并降低部署门槛。
+
+您可以量化`AngelSlim/configs/hunyuan_ocr`下面带有fp8字段的模型类型。
+
+### 配置
+
+FP8 `confg.yaml`文件参数配置，您可以参考`config/hunyuan_ocr/fp8_static`路径下的文件，下面是参数信息介绍。
+
+
+- `name`：压缩策略，选填量化`quantization`。
+- `quantization.name`：压缩算法选填`fp8_static`。
+- `quantization.bits`：量化比特数，目前支持8bit。
+- `quantization.quant_method`：主要指定权重的量化粒度，FP8为`per-tensor`。
+- `quantization.ignore_layers`：指定模型中不需要量化的层。
+
+### FP8量化
+
+您可以通过下面代码启动 FP8 量化流程
+```shell
+python3 tools/run.py -c configs/hunyuan_ocr/fp8_static/hunyuan_ocr_fp8_static.yaml
+```
+
+## GPTQ量化
+
+Int4-GPTQ 算法实现 Int4-weight-only 量化，该算法逐层处理模型权重，利用少量校准数据最小化量化后的权重重构误差，通过近似Hessian逆矩阵的优化过程逐层调整权重。流程无需重新训练模型，仅需少量校准数据即可量化权重，提升推理效率并降低部署门槛。
+
+
+您可以量化`AngelSlim/configs/hunyuan_ocr`下面带有gptq字段的模型类型。
+
+### 配置
+
+GPTQ `confg.yaml`文件参数配置，您可以参考`configs/hunyuan_ocr/int4_gptq`路径下的文件，下面是参数信息介绍。
+
+
+- `name`：压缩策略，选填量化`quantization`。
+- `quantization.name`：压缩算法选填`int4_gptq`。
+- `quantization.bits`：量化比特数，目前支持4bit和8bit。
+- `quantization.quant_method`：主要指定权重的量化粒度，GPTQ为`per-group`。
+- `quantization.quant_method.group_size`：对整个权重矩阵量化时的每一组group的大小，通常为128和64。
+- `quantization.ignore_layers`：指定模型中不需要量化的层。
+
+### INT4-GPTQ量化
+
+您可以通过下面代码启动 GPTQ 量化流程
+```shell
+python3 tools/run.py -c configs/hunyuan_ocr/int4_gptq/hunyuan_ocr_int4_gptq.yaml
+```
+
+
+## AWQ量化
+
+Int4-AWQ 算法实现 Int4-weight-only 量化，算法通过少量校准数据（无需训练）统计激活值的幅度，对每个权重通道计算一个缩放系数s，放大重要权重的数值范围，使其在量化时保留更多信息。流程无需重新训练模型，仅需少量校准数据即可确定缩放系数，适合快速部署。
+
+您可以量化`AngelSlim/configs/hunyuan_ocr`下面带有awq字段的模型类型。
+
+### 配置
+
+AWQ `confg.yaml`文件参数配置，您可以参考`configs/hunyuan_ocr/int4_awq`路径下的文件，下面是参数信息介绍。
+
+
+- `name`：压缩策略，选填量化`quantization`。
+- `quantization.name`：压缩算法选填`int4_awq`。
+- `quantization.bits`：量化比特数，目前支持4bit和8bit。
+- `quantization.quant_method`：主要指定权重和激活的量化粒度，AWQ为`per-group`等。
+- `quantization.quant_method.group_size`：对整个权重矩阵量化时的每一组的channel的大小，通常为128和64。
+- `quantization.quant_method.zero_point`：是否使用非对称量化，推荐设置`true`开启。
+- `quantization.quant_method.mse_range`：是否开启AWQ中的自动clip权重功能，推荐设置`false`。
+
+### INT4-AWQ量化
+
+您可以通过下面代码启动 AWQ 量化流程
+```shell
+python3 tools/run.py -c configs/hunyuan_ocr/int4_awq/hunyuan_ocr_int4_awq.yaml
+```
\ No newline at end of file