2025 年 10 月 20 日，DeepSeek 团队在 GitHub 上悄然开源了一款革命性的 OCR 模型 ——DeepSeek-OCR。

        该项目由DeepSeek三位研究员 Haoran Wei、Yaofeng Sun、Yukun Li 共同完成。   

        其中一作 Haoran Wei (Github主页：https://github.com/Ucas-HaoranWei )

（学术主页：https://scholar.google.com/citations?user=J4naK0MAAAAJ )

        现身为DeepSeek研究员。他的主要研究方向包括计算机视觉、多模态、AIGC 等，曾就职于阶跃星辰，在2024年9月发表的论文中，身为论文一作的他所处单位为阶跃。他主导开发了旨在实现“第二代OCR”的GOT-OCR2.0系统，该项目在GitHub收获了超7800star。目前他在DeepSeek主导OCR项目，DeepSeekOCR的工作延续了GOT-OCR2.0的技术路径，致力于通过端到端模型解决复杂文档解析问题。

        这款仅有 3B 参数量的模型，却在技术圈掀起了一场关于 "视觉 - 文本压缩" 的讨论风暴。当传统 OCR 还在为提高字符识别率而努力时，DeepSeek-OCR 却另辟蹊径，将整页文字渲染成图像，再让模型去 "读" 这些图像，从而高效提取文字信息。

        这种被称为 "上下文光学压缩"（Contexts Optical Compression）的创新思路，不仅是对传统 OCR 技术的颠覆，更可能成为解决大语言模型长上下文处理难题的关键突破口。

        DeepSeek 团队在其官方论文中明确指出，他们的目标是 "探索视觉 - 文本压缩边界"，而非简单的字符识别。这一理念的提出，标志着 OCR 技术正从" 识别字符 "向" 理解文档 " 的方向演进。

        本文将深入剖析 DeepSeek-OCR 的技术创新、应用价值和未来前景。

---

一、视觉压缩重新定义文档处理

1. 核心架构：双塔融合的创新设计

        DeepSeek-OCR 的技术架构核心由两大组件构成：DeepEncoder 视觉编码器 和 DeepSeek3B-MoE 解码器

        DeepEncoder 视觉编码器负责图像特征提取和压缩，采用了独特的双塔融合设计。底层的 SAM-base 模型（80M 参数）采用窗口注意力机制，像精密的显微镜一样捕捉文本的局部特征，在处理 512×512 高分辨率输入时仍能保持极低内存占用。顶层的 CLIP-large 模型（300M 参数）则通过全局注意力把握整体语义。

        DeepSeek3B-MoE 解码器负责从压缩后的视觉 Token 中重建文本，仅需 570M 激活参数就能实现视觉令牌到文本的精准翻译。这种设计的巧妙之处在于，它将 n 个视觉令牌通过非线性映射转化为 N 个文本令牌，在处理压缩数据时反而提升了语义理解能力。

2.压缩技术：16 倍下采样的 "魔法"

        DeepSeek-OCR 最具创新性的技术是其 16 倍下采样压缩机制 。在 SAM 和 CLIP 双模块之间，DeepSeek 团队加入了 2 层卷积模块，将 SAM 输出的 4096 个 patch token 压缩至 256 个，大幅降低全局注意力计算的内存开销。

        这种压缩技术的效果令人惊叹：

        • 传统方法每页产生数千个 Token

        • DeepSeek-OCR 在一般文档中只需64 至 400 个视觉 Token

        •实现了7-20 倍的压缩比

        更重要的是，这种压缩并非简单的信息丢弃，而是通过视觉模态的高效编码实现了信息的智能压缩。DeepSeek-OCR 在 10 倍压缩比下可实现97% 的解码精度，即使在 20 倍压缩率下，OCR 准确率仍可保持在约60%。

3.多分辨率支持：灵活应对不同场景

        DeepSeek-OCR 提供了丰富的分辨率选择，满足不同场景需求：

        其中，Gundam 动态分辨率模式 最为独特，它采用 "n×640×640 + 1×1024×1024" 的组合策略，能够根据文档内容智能分配计算资源，在保证精度的同时最大化效率。

4.复杂内容解析：超越字符识别的理解能力

        与传统 OCR 相比，DeepSeek-OCR 的一大优势是其强大的复杂内容解析能力：

        化学公式识别：能解析化学分子结构式，并将其转化为 SMILES 格式        

        几何图形处理：支持平面几何图形的复制和结构化解析

        表格识别：在 MIT 学术论文测试集上，公式识别准确率达到89%，远超行业 75% 的平均水平

---

二、效率与精度的完美平衡

1.压缩效率：100 个 Token 超越 6000 个的奇迹

        DeepSeek-OCR 在 Token 效率上创造了惊人的成绩：

        仅用100 个视觉 tokens就超过了 GOT-OCR2.0（256 tokens） 

        用不到800 个 tokens就超越了需要 6000 多 tokens 的 MinerU2.0

        这种效率提升的意义在于，它从根本上解决了大语言模型处理长文本时的内存瓶颈问题。传统模型处理千页级文档时，常因上下文累积导致内存溢出或精度衰减，而 DeepSeek-OCR 通过视觉压缩，将内存需求降低到原来的1/16。

2.识别精度：多维度超越传统方案

        在实际应用中，DeepSeek-OCR 展现出了卓越的识别精度：

---

三、快速掌握 DeepSeek-OCR

1.环境准备：软硬件要求

在开始使用 DeepSeek-OCR 之前，需要准备以下环境：

硬件要求：

GPU：建议使用 NVIDIA GPU（支持 CUDA），最低要求 GTX 1060 或以上，显存至少 4GB，推荐 8GB 或以上（用于处理高分辨率文档）

内存：至少 16GB，推荐 32GB 或以上

软件要求：

操作系统：Linux（推荐）或 Windows 10/11

CUDA：11.8 或以上版本

Python：3.12.9 或以上版本

其他依赖：torch 2.6.0、vllm 0.8.5、flash-attn 2.7.3 等

2.安装步骤：简单三步即可开始

安装 DeepSeek-OCR 非常简单，按照以下步骤操作即可：

1. 克隆 GitHub 仓库：

git clone https://github.com/deepseek-ai/DeepSeek-OCR.git

2. 创建 conda 环境：

conda create -n deepseek-ocr python=3.12.9 -y

conda activate deepseek-ocr

3. 安装依赖包：

​
pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118

pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl

pip install -r requirements.txt

pip install flash-attn==2.7.3 --no-build-isolation

​

3.模型下载：多种方式任选

下载 DeepSeek-OCR 模型有多种方式：

1. 使用 ModelScope（推荐）：

import os

from modelscope import snapshot_download

target_dir = os.path.join(os.getcwd(), 'models')

os.makedirs(target_dir, exist_ok=True)

snapshot_download('deepseek-ai/DeepSeek-OCR', cache_dir=target_dir)

2. 直接从 Hugging Face 下载：

from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained('deepseek-ai/DeepSeek-OCR')

3. 从 GitHub 下载：

直接从 DeepSeek-OCR 的 GitHub 仓库下载模型文件

---

四、开启视觉-文本压缩的新时代

        DeepSeek-OCR 的诞生标志着 OCR 技术进入了一个全新的时代。它不仅是一个性能卓越的文字识别工具，更是一种革命性的信息处理范式。通过将文本转化为视觉模态进行压缩和处理，DeepSeek-OCR 为解决大语言模型时代的长文本处理难题提供了优雅的解决方案。

        从技术角度看，DeepSeek-OCR 实现了多项突破：16 倍的下采样压缩、10 倍压缩下 97% 的识别精度、复杂内容的智能解析，这些成就使其在众多 OCR 方案中脱颖而出。更重要的是，它证明了 "视觉优先" 的设计理念在信息处理中的巨大潜力。

        展望未来，DeepSeek-OCR 的影响将远超 OCR 领域本身。它正在推动整个 AI 产业向 "视觉 - 文本融合" 的新范式演进，为通用人工智能的实现提供了重要的技术路径。对于开发者和企业而言，现在正是拥抱这一技术变革的最佳时机。

        正如 DeepSeek 团队在论文中所言，他们的目标是 "探索视觉 - 文本压缩边界"。而我们有理由相信，这个边界将不断被突破，最终实现人类对信息处理效率的终极追求。在这个视觉压缩的新时代，每一个人都可能成为技术进步的受益者和推动者。