描述
DeepSeek OCR 是一个基于两阶段变换器的文档 AI，它将页面图像压缩为紧凑的视觉令牌，然后使用高容量的专家混合语言模型进行解码。第一阶段将窗口化的 SAM 视觉变换器与密集的 CLIP-Large 编码器和 16 倍卷积压缩器相结合，而第二阶段则使用 DeepSeek-3B-MoE 解码器（每个令牌约 570M 活跃参数）以最小的损失重建文本、HTML 和图形注释。
其核心创新是上下文光学压缩：通过将 1024x1024 的页面减少到少至 256 个令牌，DeepSeek OCR 实现了对传统 OCR 流水线难以处理的长文档的摄取，同时保持全球语义并大幅降低计算量。模式选择器的范围从 Tiny（64 个令牌）到 Gundam（多视口平铺），让用户可以根据发票、蓝图和大幅面扫描的需求调整速度与保真度之间的平衡。
经过对 3000 万个真实 PDF 页面以及合成图表、公式和图示的训练，它保留了布局结构、表格、化学 SMILES 字符串和几何任务，并支持超过 100 种语言，包括拉丁文、CJK、斯拉夫文和科学脚本。结构化输出可以以 HTML 表格、Markdown、JSON、SMILES 和标题的形式发出，以便直接摄取到分析流水线中。
MIT 许可的权重（约 6.7 GB 的 safetensors 检查点）可以在本地 GPU 上本地运行，避免跨境数据暴露，或通过 DeepSeek 的 OpenAI 兼容 API 进行调用，采用基于令牌的定价。单个 NVIDIA A100 每天可以处理大约 200,000 页。
DeepSeek OCR的核心功能
两阶段变换器 OCR，具有上下文光学压缩
结合窗口化 SAM 和 CLIP-Large 的 DeepEncoder，具有 16 倍压缩
DeepSeek-3B 混合专家解码器（约 570M 活跃参数）
从 Tiny（64 个令牌）到 Gundam 多视口平铺的模式选择器
支持包括 CJK、斯拉夫文和科学脚本在内的 100 多种语言
以 HTML 表格、Markdown、JSON、SMILES 和标题的形式输出结构化结果
MIT 许可的权重，适用于本地 GPU 部署
与 OpenAI 兼容的托管 API，采用基于令牌的定价
如何使用 DeepSeek OCR？
本地部署：克隆 GitHub 仓库，下载约 6.7 GB 的 safetensors 检查点，并在兼容的 GPU 上配置 PyTorch 2.6+ 和 FlashAttention。
或调用 API：使用 DeepSeek 的 OpenAI 兼容端点提交图像，并接收结构化文本，采用基于令牌的计费。
选择模式：选择 Tiny、Base、Large 或 Gundam，以平衡文档类型的速度与保真度。
集成输出：将结果转换为 JSON，将 SMILES 字符串链接到化学信息学流水线，或将布局感知的 HTML 输入到自动化和 RAG 工作流中。
DeepSeek OCR的使用案例
- 扫描的书籍和报告
- 技术图示和公式
- 多语言数据集创建
- 文档转换应用
- 大规模本地 OCR
