DeepSeek OCR 视觉编码器
8000 万参数的窗口化 SAM 搭配 3 亿参数的 CLIP-Large，将局部字形细节与全局布局特征对齐，在密集的法律、金融与科研 PDF 中保持高保真度。
视觉 Token 数
压缩比
激活的 MoE 参数
Tiny → Base → Large → Gundam 的演进展示了 DeepSeek OCR 如何在保持低 Token 数的同时提升视觉保真度。
什么是 DeepSeek OCR？
DeepSeek OCR 是一款两阶段 Transformer 文档 AI，先将页面图像压缩成紧凑的视觉 Token，再以高容量的专家混合语言模型解码。阶段一融合窗口化 SAM 视觉 Transformer、致密 CLIP-Large 编码器与 16× 卷积压缩器；阶段二使用 DeepSeek-3B-MoE 解码器（每个 Token 激活约 5.7 亿参数），以最小损耗重建文本、HTML 与图示标注。
模型训练覆盖 3000 万页真实 PDF 及合成图表、公式与示意图，可保留版式结构、表格、化学式（SMILES）与几何任务。得益于 CLIP 血统，多模态能力完整保留——即使在激进压缩后，字幕与目标定位仍旧准确。
DeepSeek OCR 上下文光学压缩
1024×1024 的页面被压缩至仅 256 个 Token，让传统 OCR 难以承载的长文档也能轻松摄取，在大幅降低算力消耗的同时保留全局语义。
DeepSeek OCR 多语言覆盖
覆盖 100+ 种语言——包括拉丁、汉字、日韩、斯拉夫文字及专业科学符号——以训练分布支撑全球数字化与数据生成项目。
DeepSeek OCR 特性矩阵
DeepSeek OCR 模式选择器
从 Tiny（64 个 Token）到 Gundam（多视窗平铺），DeepSeek OCR 可在发票、工程蓝图与大幅面扫描中精确平衡速度与保真度。
DeepSeek OCR 结构化输出
输出 HTML 表格、Markdown 图表、SMILES 化学式与几何标注，可直接进入分析流水线，无需人工重建。
DeepSeek OCR 合规考量
MIT 许可的模型权重支持组织在本地运行 DeepSeek OCR，使用托管 API 时亦可规避与 DeepSeek 中国基础设施相关的监管审查。
DeepSeek OCR 架构深潜
阶段 1 · DeepSeek OCR DeepEncoder（约 3.8 亿）
将最高 1280×1280 的页面划分为 4096 个图块，16 倍压缩至 256–400 个 Token。局部窗口保证字形精度，CLIP-Large 则保留页面语义。
阶段 2 · DeepSeek OCR MoE 解码器（30 亿）
专家混合解码器每个 Token 激活约 5.7 亿参数，重建文本、版式标签与字幕。FlashAttention 与 CUDA 优化维持高 GPU 吞吐。
DeepSeek OCR 多模态桥梁
CLIP 预训练让 DeepSeek OCR 能将文本摘要与图表、曲线与插图对齐，对科研文档与数据可视化的衔接尤为关键。
DeepSeek OCR 数据流程
从压缩到解码的流水线保持上下文完整：
1. 高分辨率 PDF 页面（640–1280 像素）
SAM 图块提取
2. 16× 卷积压缩至 64–400 个 Token
上下文光学压缩
3. DeepSeek OCR MoE 解码（约 5.7 亿激活）
FlashAttention 加速
4. 输出结构化 HTML、Markdown 或字幕
保留版面的结果
DeepSeek OCR 基准比较
基准研究表明 DeepSeek OCR 可以在结构化文档上提供最先进的准确性，同时保持较低的代币预算。
| OCR 系统 | 准确度速览 | 速度 / 吞吐 | 核心优势 | 部署方式 |
|---|---|---|---|---|
| DeepSeek OCR | 约 97% 精确匹配（10 倍压缩） | 单张 NVIDIA A100 日处理约 20 万页 | 擅长复杂版面、表格、公式、图示与多语言 | 开源（MIT）；本地 GPU 或 DeepSeek API |
| 谷歌云视觉 | 混合基准约 98% | 弹性云吞吐 | 企业级支持，多语言 API | 专有按量计费 API |
| AWS Textract | 表单识别约 97–99% | 托管云扩展 | 发票与表单抽取，输出 JSON | 专有按量计费 API |
| Azure OCR | 清晰印刷文本约 99.8% | 深度整合 Azure 生态 | 擅长印刷文档；手写体差异较大 | 专有按量计费 API |
| 超正方OSS | 视扫描质量约 90–95% | 本地 CPU/GPU | 开源，对手写友好 | 开源（Apache 2.0） |
来源：Fox 压缩基准、OmniDocBench、AI Multiple 精度评测、DeepSeek 文档。
如何使用 DeepSeek OCR
01
在本地 GPU 上部署 DeepSeek OCR
克隆 DeepSeek OCR GitHub 存储库，下载 6.7 GB safetensors 检查点，并使用 FlashAttention 配置 PyTorch 2.6+。基本模式在 8-10 GB GPU 上运行，而 Gundam 平铺则受益于 40 GB A100。
02
通过 API 调用 DeepSeek OCR
利用 DeepSeek 的 OpenAI 兼容 API 端点提交图像并接收结构化文本。定价反映了平台的代币计费（缓存命中每百万输入代币约为 0.028 美元）。
03
将 DeepSeek OCR 融入工作流程
将 OCR 输出转换为 JSON，将 SMILES 字符串链接到化学信息学管道，或用于双语发布的自动字幕图 - 所有这些都使用 DeepSeek OCR 的结构化结果。
DeepSeek OCR 运行建议
- 延迟敏感任务请选择 Base 或 Large 模式；归档批次可排入 Tiny 模式以延长 GPU 使用时间。
- 将 DeepSeek OCR 与检索增强生成流水线结合，在保留版面上下文的同时总结长文档。
- 使用 DeepSeek 托管 API 时关注地区合规；本地部署可避免跨境数据暴露。
- 若需要手写准确率，可结合 Tesseract 等手写专用引擎。
DeepSeek OCR 典型场景
用于扫描图书与报告的 DeepSeek OCR
将每页数千个单词压缩为紧凑的标记，用于下游搜索、摘要和知识图管道。
用于技术图示与公式的 DeepSeek OCR
从视觉资产中提取几何推理、工程注释和化学微笑以支持科学分析。
DeepSeek OCR 多语言数据集构建
构建涵盖 100 多种语言的全球语料库，扫描书籍或调查，为下游语言模型创建训练数据。
DeepSeek OCR 文档转换应用
嵌入到发票、合同或表单处理平台中，以发出布局感知的 JSON 和 HTML，为自动化做好准备。
DeepSeek OCR 视觉画廊
浏览 DeepSeek OCR 的实际表现——架构示意、基准仪表板与真实转换。点击任意图像可查看高分辨率。
DeepSeek OCR 限制与对策
DeepSeek OCR 压缩取舍
20 倍压缩时准确率降至约 60%；遇到微小文字或密集表格时请选择 Large 或 Gundam 模式。
DeepSeek OCR 矢量图挑战
细粒度矢量图仍具挑战；若需 CAD 级精度，请结合矢量解析器。
DeepSeek OCR 手写短板
主要针对印刷文本训练；手写任务需配合专用 OCR 工具。
DeepSeek OCR 对 GPU 的依赖
实时吞吐依赖现代 GPU。可通过批处理或使用 DeepSeek 托管 API 平滑算力需求。
DeepSeek OCR 授权与定价
DeepSeek OCR MIT 开源自由
下载约 6.7 GB 的 safetensors 检查点即可零许可费用本地部署 DeepSeek OCR，并按照合规要求定制流程。
DeepSeek OCR API 成本模型
托管访问遵循 DeepSeek 的 Token 计费（缓存命中时每百万输入 Token 约 0.028 美元）。请依据压缩模式与文档量规划预算。
硬件规划：单张 A100（约 20 万页/天）可支撑企业队列，20 台节点 × 8 张 A100 可达约 3300 万页/天的大规模数字化能力。
DeepSeek OCR 常见问题解答
DeepSeek OCR 如何压缩长文档？
DeepSeek OCR 将页面切分为图块，进行 16× 卷积降采样，仅传递 64–400 个视觉 Token 至 MoE 解码器，在保留版面线索的同时将上下文缩小十倍。
哪些 GPU 能高效驱动 DeepSeek OCR？
NVIDIA A100（40 GB）可提供峰值吞吐（约 20 万页/天），具备 ≥8 GB 显存的 RTX 30 系列显卡可运行 Base 模式以满足中等负载。
DeepSeek OCR 能处理手写体吗？
手写体并非核心场景；与专用手写 OCR 工具相比性能有限，必要时应联合使用。
DeepSeek OCR 能保留表格和图表吗？
可以。测试表明其对表格与图表结构可实现近乎无损的 HTML/Markdown 还原，便于直接进入分析流水线。
DeepSeek OCR 的多语言能力如何？
依托丰富的真实与合成训练数据，DeepSeek OCR 支持约 100 种语言，涵盖拉丁、CJK、斯拉夫字母及科学符号。
DeepSeek OCR 可以输出哪些格式？
根据提示词，DeepSeek OCR 可输出纯文本、HTML、Markdown、结构化 JSON、SMILES 化学式与上下文字幕。
DeepSeek OCR 适用于受监管行业吗？
本地部署在 MIT 许可下可确保数据留在内部；使用 DeepSeek API 时需审视其云基础设施带来的合规要求。
DeepSeek OCR 与云端 OCR 服务相比如何？
在复杂文档上，它能与云端竞品持平甚至更优，同时使用更少的视觉 Token，非常适合 GPU 受限的场景。
有哪些工具生态支持 DeepSeek OCR？
Hugging Face Spaces、社区 Notebook 与 “awesome DeepSeek” 仓库提供示例，SDK 可集成 Adobe、Figma 及 Python 客户端。
DeepSeek OCR 能辅助上下文归档吗？
可以。可将对话存成图像以扩展 LLM 上下文窗口，需要时再由 DeepSeek OCR 还原文本。
DeepSeek OCR 来自 X 的声音
全球的实践者与研究者正在分享 DeepSeek OCR 的上下文光学压缩如何改变他们的文档流程。这里收录了来自 X（Twitter）的精选反馈。
这次大蓝鲸带着狂野的东西回来了！
—放松人工智能 (@unwind_ai_) 2025 年 10 月 21 日
DeepSeek 构建了一个 OCR 模型，可以使用视觉令牌将文本压缩 10 倍。
让我解释一下：
他们有一个核心见解 - 包含文本的图片需要比原始文本本身少得多的标记来表示。
现在，… pic.twitter.com/tIYtq437qX
DeepSeek-OCR 非常棒。通过将长文本上下文转换为图像标记，即使在大约 10 倍压缩的情况下，我们也几乎没有恶化，并且即使在 20 倍压缩的情况下也保持了 60% 的准确率。这使得法学硕士的长上下文处理得到了压倒性的改进。作为常规 OCR，它似乎也非常好用。 pic.twitter.com/Ya6ae3Mbwz
—石川阳太 (@ytikw) 2025 年 10 月 20 日
deepseek-ocr这个名字过于低调，不去深入了解的话以为又是一个orc模型而已，然而这个模型实现了十倍的信息压缩率，一个图像token可以顶十个文本token，这可是一件大事，在hn上直接炸了。deepseek还提出用图像模糊程度来模拟人类记忆随时间衰退的现象，读取同一张图片时可以调用不同分辨率的专家模型。 https://t.co/y2xt9IwiF7 pic.twitter.com/4D8tNe7Oki
— Datou (@Datou) 2025 年 10 月 20 日
与封闭的人工智能实验室不同，DeepSeek 证明它们是真正的开放研究
—宾杜·雷迪 (@bindureddy) 2025 年 10 月 21 日
他们的 OCR 论文将段落视为像素，效率比传统法学硕士高 60 倍
小型超高效模型是未来 pic.twitter.com/RY7PJoeH3E
深思OCR！开源是一份不断赠送的礼物！惊人的！我刚刚使用这个优秀的新开源模型将 400 页 PDF 转换为 Markdown。花了不到4分钟！ pic.twitter.com/QuxcDhVlPG
—特里斯坦·贝伦斯博士 (@DrTBehrens) 2025 年 10 月 20 日
🚀 DeepSeek-OCR — OCR 的新前沿 @deepseek_ai 探索 LLM 的光学上下文压缩，在 vLLM ⚡ 上运行速度极快（在 A100-40G 上约为 2500 个令牌/秒） — 由 vllm==0.8.5 提供支持，提供 day-0 模型支持。
—vLLM (@vllm_project) 2025 年 10 月 20 日
🧠 将视觉上下文压缩高达 20 倍，同时保持...... pic.twitter.com/bx3d7LnfaR
DeepSeek OCR 研究论文
下载官方 PDF，深入了解上下文光学压缩范式、架构与基准。离线查阅实验细节、消融分析与部署指南。
下载 DeepSeek OCR 论文
PDF · 6 MB · MIT
用 DeepSeek OCR 加速文档智能
借助上下文光学压缩对复杂 PDF、图表与多语档案进行数字化、分析与重构。