DeepSeek-OCR
以视觉编码和文本压缩为核心的端到端文档解析模型，把整页图像直接解码为文本。
最后核实：
https://huggingface.co/deepseek-ai/DeepSeek-OCR特点与限制
主要特点
- DeepEncoder视觉编码器配合DeepSeek3B-MoE-A570M解码器
- 官方提供Tiny、Small、Base、Large与Gundam多档分辨率配置
- 可用<|grounding|>提示输出带版面定位的结果
- 官方上游vLLM已支持该模型
使用边界
- 压缩比超过10倍后解码精度明显下降，论文报告从约97%降到60%附近。
- 官方模型卡未披露文本上下文长度；vLLM官方示例以max_tokens=8192限制输出，不能当作已声明的上下文窗口。
- Transformers路线官方测试环境为固定版本组合（python 3.12.9、CUDA 11.8、torch 2.6.0、transformers 4.46.3），版本不匹配需自行验证。
- 本站未复现论文的压缩精度实验，也未在自有文档上测试版面解析效果。
模型信息
- 家族与版本
- DeepSeek / 1
- 输入与输出
- 图像 → 文本
- 公开参数规模
- 3.34B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- HF权重元数据safetensors张量参数和为3,336,106,240（约3.34B）；论文说明解码器为DeepSeek3B-MoE-A570M，另有DeepEncoder视觉编码组件，官方未按整模单列参数总量与激活参数口径。 参数来源
- 原生上下文
- 未提供
- 扩展上下文
- 未提供
- 语言声明
- 多语言（官方模型卡标注multilingual，未列具体语言）；语言支持不代表对应语言的评测水平。
- 权重许可
- MIT
- 代码许可
- MIT
- 训练资料
- 论文介绍其数据引擎按OCR 1.0、OCR 2.0与通用视觉数据分阶段构造，并说明生产环境可用单张A100-40G每天生成20万页以上训练数据；未公开完整训练语料清单。
能力依据
模型变体：专用版；家族与版本：DeepSeek / 1
文字识别
Fox（视觉-文本压缩评测） · 视觉压缩解码精度（非普通OCR准确率）98.5%Fox benchmark英文文档（600–700个DeepSeek tokenizer真值文本token，共7页） · 英语查看评估与来源收起补充信息
文字识别
可作为整页文档解析候选：论文在Fox英文文档的600–700真值文本token子组（7页）中报告，100个视觉token条件下视觉压缩解码精度为98.5%（压缩比6.7×）。这是压缩解码实验的小样本分箱结果，不等同于常规OCR字符准确率或所有文档上的表现。
- 论文按真值文本token区间与视觉token档位逐行给出压缩解码精度与压缩比，当前记录明确对应7页子组。
- 同页同时给出不同分辨率档位与Gundam裁剪模式的使用方式，便于按文档复杂度选择。
- 官方上游vLLM已支持该模型，部署路线明确。
- 成绩由模型发布方运行，未找到许可明确且确认为独立方的同型号同条件复测。
- 压缩比超过10倍后精度明显下降，长文档或低视觉token配置需按实际效果取舍。
- 600–700-token分箱只有7页，98.5%不是Fox全子集平均值；论文说明输出格式无法完全匹配评测脚本，不能将其当作常规OCR准确率或直接横比的标准榜单分数。
- OmniDocBench对比在论文中以图形式给出，未提供可复制的数值表，本页不引用其具体分数。
- 本站未在真实票据、表格或扫描件上验证版面与表格结构还原。
Fox（视觉-文本压缩评测） · 视觉压缩解码精度（非普通OCR准确率）
98.5%官方报告 · DeepSeek-AI（论文作者及模型发布方）官方自测
展开评测条件与来源
- 模型标识 / 修订
- deepseek-ai/DeepSeek-OCR / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- Fox benchmark英文文档（600–700个DeepSeek tokenizer真值文本token，共7页） / 未提供
- 基准 / 报告版本
- DeepSeek-OCR论文Table 2
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 论文使用不含版面提示的 "<image>\nFree OCR." 提示控制输出格式；论文Table 2中600–700个真值文本token的7页英文文档子组：100个视觉token、输入缩放至640×640时，视觉压缩解码精度98.5%、压缩比6.7×。这是该长度分箱的小样本条件结果，不是全部100页Fox子集的平均分，也不是常规字符级OCR准确率。论文说明输出格式无法完全匹配Fox评测脚本，数值可能受格式差异影响；未披露模型revision与完整推理配置。模型发布日为2025-10-20，非已知评测运行日期。
- 评测日期 / 核实日期
- 未提供 / 2026-10-14
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- deepseek-ai / deepseek-ocr-paper-table2
- 来源
- https://arxiv.org/abs/2510.18234
- 来源使用说明
- 引用来源；许可：未提供；仅记录论文中的少量型号成绩并保留作者与来源链接；不复制论文表格或底层基准数据，引用不更改论文及数据集许可。 查看说明
- 比较状态
- 不可比：该指标衡量固定文本长度区间内按视觉token压缩后的解码精度，不是标准OCR榜单成绩，来源也未披露模型revision与完整推理配置，不能与其他OCR记录或整套文档解析流水线直接比较。
运行条件与获取
Transformers
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；官方论文提到生产环境可用单张A100-40G每天生成20万页以上数据，该数字属于论文的生产吞吐描述，不是本站测量，也不构成最低配置要求。
内存：未核实；显存：未核实。
依赖：torch==2.6.0、transformers==4.46.3、tokenizers==0.20.3、einops、addict、easydict、flash-attn==2.7.3（需按官方命令单独安装）。
STEP 01 安装 Python 依赖
官方模型卡以Requirements列表给出各包版本，此处转换为终端写法；flash-attn需按官方说明以 --no-build-isolation 单独安装。官方测试环境为python 3.12.9与CUDA 11.8，本站未执行该命令。
python -m pip install torch==2.6.0 transformers==4.46.3 tokenizers==0.20.3 einops addict easydictSTEP 02 加载指定模型
按同页示例以trust_remote_code加载模型并调用infer；分辨率档位与crop_mode由base_size、image_size参数选择。本站未下载权重或执行模型，需在目标设备验证。
vLLM
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；显存占用取决于分辨率档位、批大小、精度与vLLM版本，不将参数量或文件大小换算为资源保证。
内存：未核实；显存：未核实。
依赖：uv（需预先安装，用于环境和包管理）、vllm（官方当前recipe使用稳定版安装方式）、Pillow。
STEP 01 创建并激活虚拟环境
先准备uv，再按官方recipe创建环境。示例使用Linux shell，以source .venv/bin/activate激活环境；其他平台需先核对vLLM支持与安装方式。本站未执行该流程。
uv venvSTEP 02 安装 vLLM
确认已进入虚拟环境后，按官方当前recipe安装稳定版vLLM；不再需要旧模型卡所述的nightly预发布轮子。本站未执行该命令。
uv pip install -U vllm --torch-backend autoSTEP 03 按官方示例推理
官方recipe要求关闭prefix caching与多模态处理器缓存，并传入NGramPerReqLogitsProcessor；具体采样参数以官方recipe为准。本站未执行模型。