DeepSeek-OCR是DeepSeek AI於2025年10月20日發布的多模態模型，旨在探索視覺-文本壓縮邊界，專注於文檔識別及圖像轉文本場景的解決方案。該模型由DeepEncoder編碼器與DeepSeek3B-MoE-A570M解碼器構成，總參數規模約3B，支持將長文本渲染為高壓縮比圖像，實現10倍無損壓縮時OCR準確率達97%，20倍壓縮率下仍保有約60%準確率。
模型提供Tiny/Small/Base/Large/Gundam五種配置，其中Gundam版本採用1024×640混合尺寸處理複雜文檔，內置邊界框檢測功能並支持動態裁剪策略。融合SAM圖像分割與CLIP視覺理解能力，通過MlpProjector對接語言模型，可在提取文本內容的同時保留原圖布局信息。在OmniDocBench測試中，使用100個視覺token即超越GOT-OCR2.0模型，800個視覺token優於MinerU2.0模型。單張A100顯示卡可日處理超20萬頁數據，支持PDF轉圖像、批量處理及Markdown格式輸出，為長文本壓縮與LLM記憶機制研究提供新思路。
基本介紹
- 中文名：DeepSeek-OCR
- 發布單位：DeepSeek AI
- 發布時間：2025年
發展歷史,簡介,
發展歷史
2025年10月20日訊息，人工智慧團隊DeepSeek AI正式發布全新多模態模型 DeepSeek-OCR。
簡介
DeepSeek-OCR以 “探索視覺 - 文本壓縮邊界” 為核心目標，從大語言模型（LLM）視角重新定義視覺編碼器的功能定位，為文檔識別、圖像轉文本等高頻場景提供了兼顧精度與效率的全新解決方案。
DeepSeek-OCR採用分層設計的視覺編碼方案，支持Tiny、Small、Base、Large、Gundam五種尺寸配置，可根據不同硬體條件與場景需求靈活選擇。
其中 Gundam 版本特別針對大尺寸複雜文檔最佳化，採用 1024×640 混合尺寸配置及專屬裁剪模式，能更精準處理多欄排版、圖文混雜的專業文檔。
模型創新性融合了SAM（Segment Anything Model）的圖像分割能力與 CLIP 的視覺理解能力，並通過 MlpProjector 模組實現與語言模型的高效對接，這一設計不僅讓模型能精準提取文本內容，還能同步捕捉文字、表格、圖像在原圖中的空間布局信息，為後續結構化輸出提供關鍵支撐，解決了傳統 OCR“只認文字、不識布局” 的痛點。
在實際功能層面，DeepSeek-OCR 展現出極強的多場景適應性：
既支持單張圖像、PDF 文檔的單次處理，也能應對批量圖像的高效識別，且所有輸出結果均支持 Markdown 格式，方便用戶直接編輯或導入其他辦公軟體；
模型內置邊界框檢測功能，可精準定位文本塊、表格、插圖在原圖中的位置，結合動態裁剪策略，能根據圖像尺寸自動調整處理邏輯，在保證識別精度的同時大幅提升處理速度。
模型還集成vllm框架實現高效推理，支持多任務並發處理，即便面對大規模文檔處理需求，也能保持穩定的回響效率，尤其適合學術論文、企業報表、個人簡歷等複雜文檔的數位化轉化場景。
為降低開發者與企業用戶的使用門檻，DeepSeek-OCR提供了全鏈路的工具鏈支持：
模型已完整開源至Hugging Face Hub，用戶可直接通過transformers庫載入使用；官方同步發布了詳細的參數配置指南，明確不同硬體環境下的最優模型規格選擇建議；
同時配套開發了 PDF 轉圖像、批量處理腳本、結果可視化工具等輔助功能，即便是非專業技術人員也能快速上手。
