DeepSeekAI开源全新的DeepSeek-OCR模型：参数规模仅30亿的MoE大模型，图像文本结构化提取成本下降十倍！准确率超过Qwen2.5-VL-7B
439 阅读
加载中...
加载中...
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
DeepSeek AI团队重磅推出DeepSeek-OCR，该模型不仅在文档提取上达到了行业领先水平，更通过创新的视觉压缩技术，将长上下文处理效率提升了 10 倍以上。根据测算，在A100-40G的一个GPU上，它每天可以将20万页的文档图像数据转为Markdown文本！
DeepSeek-OCR 的最大价值在于，它将传统 OCR 的局限性转化为 LLM 训练的加速器：在高分辨率图像上实现近无损压缩，让模型在有限计算资源下处理更多信息。其核心特点是“Contexts Optical Compression”（上下文光学压缩），通过 2D 映射将文本密集文档浓缩为少量视觉令牌，显著降低了令牌消耗，同时保持高精度输出。这为构建更智能的文档理解系统铺平了道路，尤其在数据稀缺的时代。
DeepSeek-OCR 采用 MoE 架构，总参数约 30 亿，但每次推理只激活约 5.7 亿参数，以极低的活跃计算量换来高吞吐与低延迟。它原生支持 512×512、640×640、1024×1024、1280×1280 等多档输入分辨率，覆盖从手机截图到高清扫描的主流场景。
DeepSeek-OCR训练集中涵盖英、中文、法文等多语言文档，样本量超过 500 万页，并以 95% 以上置信区间进行验证。模型从“识别”升级到“理解”，不仅抽取文本，还保留表格嵌套、图表关联和段落层级等布局语义，在等效信息承载上相当于把 32K 窗口扩展到更高容量；
DeepSeek-ORC以MIT许可开源，也就是完美免费商用授权，按照参数估计，6G 显存即可运行（暂不支持纯 CPU），多语言覆盖 10+ 种，方言如粤语可能需要再做微调。
DeepSeek AI 自 2023 年以来，以高效的开源模型闻名，如 DeepSeek-V2 和 VL2，这些作品在视觉-语言任务上已展现出强劲实力。但随着互联网高质文本数据的枯竭，AI 训练面临瓶颈：海量书籍、报告和学术论文仍停留在纸质或扫描图像形式，无法直接喂养 LLM。DeepSeek-OCR 正是为此而生，它不是简单的文本提取工具，而是针对“数据数字化鸿沟”推出的战略性模型。通过 OCR 作为切入点，团队探索了将图像作为压缩媒介的潜力，帮助模型从结构化但非数字化的资源中提取营养。
相比前代如 DeepSeek-VL2，后者虽支持多模态输入，但令牌效率低下：在处理一页 A4 文档时，可能消耗 256 个以上视觉令牌，导致上下文窗口迅速饱和，甚至在单页上就超出 32K 限制。
DeepSeek-OCR 则直击痛点，通过光学压缩机制，将输入分辨率从 1280x1280 像素浓缩至仅 100 个tokens以内，解决了高分辨率图像的计算瓶颈。新技术借鉴了 2D 映射原理（类似于将三维文本投影到平面图像），避免了传统 OCR 的线性扫描误差，尤其在弯曲文本或手写笔记上表现突出。
这种升级的深层逻辑在于，OCR 已从“识别”转向“理解”。DeepSeek 团队在论文中强调，通过视觉压缩，不仅提取文本，还保留布局语义，如表格嵌套和图表关联。这为下游 LLM 提供了更丰富的上下文，潜在地将 32K 窗口扩展至 320K 等效容量。
DeepSeek-OCR 的独特之处在于，它将 OCR 定位为“视觉压缩引擎”，而非孤立的文本工具。它主要包含三个特点：1）、解析数理化公式为Markdown格式、2）理解原文的布局，转为适合Markdown格式的布局；3）、极致的压缩能力，原来需要几千个tokens上下文才能达到的精度，目前只需要几十个！
DeepSeek-OCR一个很重要的能力是对数理化领域公式的识别很强。这意味着，用户上传一张扫描页，不仅得到纯文本，还能获得结构化的 Markdown 输出，包括标题、段落和公式渲染。核心能力之一是高精度 STEM 解析：模型能识别数学符号（如积分 ∫ 或矩阵），并以 LaTeX 格式输出，准确率高达 95%。
为什么识别理工科的文本很重要？在教育和科研场景中，这避免了手动转录的繁琐，让 AI 直接“阅读”论文图表。例如，一张化学分子结构图，传统 OCR 可能仅提取 70% 键合信息，而 DeepSeek-OCR 通过语义增强，捕捉 92% 的立体构型细节。
而且理工科文本通常有更好的逻辑和质量，对于提升模型的智能方面很重要。
DeepSeek-OCR另一个亮点是多模态布局理解。不同于简单逐行扫描，它采用全局注意力机制，模拟人类阅读路径：先定位块级元素（如图像块），再细化文本边界。这在复杂布局如报纸或报告中至关重要——测试样本显示，在 1000 页混合文档上，布局保留率达 98%，远超基线模型的 85%。
举个例子，上传一份包含流程图的业务报告，模型会自动生成带锚点的 Markdown文本，便于后续 LLM 推理。而不仅仅是一个图像文本提取工具。
此外，DeepSeek-OCR最大的“杀手锏”是其压缩功能。
把需要喂给解码器的“条件长度”（上下文 token）压成原来的 1/10。在 DeepSeek-OCR 里，这通常体现在——同一页文档，用几十几百个视觉 token就能承载原来几百几千个 token的关键信息。
简单来说，多模态大语言模型识别图像的机制是处理每一页的图像的时候，我们通常先把图像转为tokens，然后基于tokens再输出完整的文本结果。这里的tokens通常代表了高度压缩的信息。越多通常模型输出质量越高，但是也会越慢，资源消耗也越大！
而这里说的压缩能力就是指DeepSeek-OCR模型将中间tokens压缩了10倍以上，但是准确性依然很高。进而导致了这个模型“小而美”！
当然，这些特性并非孤立，而是协同工作：从输入预处理到输出后置信评分，整个 pipeline 端到端延迟仅 50ms/页（A100 上）。对于普通用户，这意味着上传手机拍的笔记，即可获结构化摘要；对企业，则是自动化档案数字化的利器。
在多项权威测试中，DeepSeek-OCR 展现出压倒性的性能优势。
在最新的 OmniDocBench（CVPR 2025） 测试中（这一基准聚焦“文档解析多任务一体化评测”，覆盖学术论文、教材、幻灯片等 9 类复杂文档，评测维度包括版面、表格、公式与跨页一致性，极具企业落地代表性，评测结果越小越好），DeepSeek-OCR 在不同压缩率下均表现出极高效率。
当将每页文档压缩为 64 个 tokens 进行识别时，其解析结果与原文差距仅 0.386，而 Qwen2.5-VL-7B 需要 3949 个 tokens 才能达到 0.316 的差距。 当 DeepSeek-OCR 提高到 100 个 tokens 时，差距进一步缩小至 0.221，已明显优于 Qwen2.5-VL-7B。
若放宽至最大 tokens（约 795 个 tokens），模型误差降至 0.127，超越当前最佳的 MinerU 2.0（0.133），而后者却消耗了 6790 个 tokens——效率差距惊人。
此外，将输入分辨率至 200 dpi 的插值实验中，DeepSeek-OCR 使用 1853 个 tokens 即达到 0.123 的差距，再次超越 Dots.OCR（0.125, 5545 tokens），证明其在高保真条件下同样具备卓越的解析效率。
总结来看，DeepSeek-OCR 的核心竞争力并非源于盲目的参数堆叠，而是依托数据驱动的结构优化与视觉压缩创新。
同时，DeepSeek-OCR依然是完全免费商用授权，非常值得关注。关于DeepSeek-OCR更多的信息参考DataLearnerAI大模型信息卡：https://www.datalearner.com/ai-models/pretrained-models/deepseek-ocr