OCR技术的演进，正在从“识别能力”走向“压缩效率”。本文深度解析DeepSeek-OCR如何通过上下文光学压缩实现SOTA级性能，以更少的视觉Token完成更精准的识别任务，重塑AI文档解析的工程范式，为产品人和技术团队提供一套可部署、可扩展的智能入口。

今天，DeepSeek开源了最新的模型：DeepSeek-OCR。

省流：模型仅3B，单张A100-40G卡每天可跑20万页的LLM/VLM训练数据。

更详细来说：DeepSeek提出了一种新的研究——上下文光学压缩，并通过DeepSeek-OCR模型验证了可行性。实验显示，当文本token数量不超过视觉token的10倍（压缩比低于10×）时，模型的OCR精度可达97%；即便压缩比提高到20×，准确率仍保持约60%。

小学生的理解就是，压得轻一点，它几乎全认对；压得狠一点，也能认得七七八八。

在专门的文档解析评测基准OmniDocBench上，DeepSeek-OCR只使用100个视觉Token就超越了GOT‑OCR2.0（每页256个Token）， 并在使用不到800个视觉Token的情况下优于MinerU2.0（平均每页6000+个Token）。

比其他模型更省token，精度还更高。

这个模型，有着超高的实用价值。

先看示例

下面几则示例，均来自DeepSeek技术论文里的case。

比如，这是某电子书的一页。原图片，是比较糊的。

模型先进行markdown识别，把整页文字大概识别出来。

这个过程中，必然会有字母丢失或识别不准的情况。然后，模型启动深度的语法解析过程，自动推理、纠错。

最后，得到了一个更精准的结果。

整个工作过程，长这样。

可以识别作业题，包括几何图形也能识别。

带各种数据图表的金融研究报告，也能准确识别。

也包括一些来自现实生活中的图片，无论拍摄角度、字形、字体发生什么变化，都能精准识别。

对于PDF文档，DeepSeek‑OCR可以处理近100种语言，支持布局和非布局OCR格式。

区别于其他OCR模型，DeepSeek‑OCR还具备“深度解析”的能力。

通过二次模型调用（需要配备提示词），可以对图表、几何图形、化学公式以及现实中的图片进行深度解析、推理。

更多场景

OCR模型，可以把“死图片”秒变“活数据”，让机器和人都能直接“抄对作业”。

比如：

• 纸质档案电子化。政府、银行、医院堆成山的纸质卷宗，OCR一跑就能生成可搜索、可复制的企业知识库，检索1秒vs人工翻10分钟。
• 实时证件识别。机场、酒店、网吧刷身份证/护照，OCR1秒读出姓名、号码、有效期，自动填表＋公安联网核验，排队时间砍半。
• 法律/知识产权检索。判决书、专利说明书OCR后全所可搜，律师输入“先履行抗辩权”秒级定位5年内的相关案例，准备材料时间从3天缩到1小时。
• 风控打假。合同、回执、仓单、车牌、集装箱号，OCR秒抽关键字段，与系统比对，发现伪造/篡改立刻报警，金融、港口、二手车平台靠它堵漏洞，一年少亏几千万。
• 无障碍阅读。盲人用手机扫书，OCR把文字读出来；视障者“听”邮件、“听”药品说明书，信息差直接抹平。

企业生产场景中，几乎没有哪个场景不与OCR打交道。

优秀OCR=省人力、降差错、提速度、挖数据，把“死图片”变成“任何系统都能直接使用的活数据”，是数字化流程的第一闸口，也是AI落地的“现金牛”场景。

怎么部署

因为是开源的，所以任何企业都可以进行部署。

在github上，DeepSeek提供了快速部署指引。

1）安装

前提：确保环境是cuda11.8+torch2.6.0。

1.1 克隆此仓库并定位到 DeepSeek-OCR 文件夹。git clone https://github.com/deepseek-ai/DeepSeek-OCR.git

1.2 Condaconda create -n deepseek-ocr python=3.12.9 -yconda activate deepseek-ocr

1.3 下载 vllm-0.8.5 pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 –index-urlhttps://download.pytorch.org/whl/cu118pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whlpip install -r requirements.txtpip install flash-attn==2.7.3 –no-build-isolation

2）vLLM推理

前提：更改 DeepSeek-OCR-master/DeepSeek-OCR-vllm/config.py 中的 INPUT_PATH/OUTPUT_PATH 和其他设置。

2.1 mage: streaming outputpython run_dpsk_ocr_image.py

2.2 pdf: concurrency ~2500tokens/s(an A100-40G)python run_dpsk_ocr_pdf.py

2.3 batch eval for benchmarkspython run_dpsk_ocr_eval_batch.py

3）Transformers推理

Transformersfrom transformers import AutoModel, AutoTokenizerimport torchimport osos.environ[“CUDA_VISIBLE_DEVICES”] = ‘0’model_name = ‘deepseek-ai/DeepSeek-OCR’tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)model = AutoModel.from_pretrained(model_name, _attn_implementation=’flash_attention_2’, trust_remote_code=True, use_safetensors=True)model = model.eval().cuda().to(torch.bfloat16)# prompt = “nFree OCR. “prompt = “n<|grounding|>Convert the document to markdown. “image_file = ‘your_image.jpg’output_path = ‘your/output/dir’res = model.infer(tokenizer, prompt=prompt, image_file=image_file, output_path = output_path, base_size = 1024, image_size = 640, crop_mode=True, save_results = True, test_compress = True)

或者，你也可以cd DeepSeek-OCR-master/DeepSeek-OCR-hfpython run_dpsk_ocr.py

目前，开源模型支持以下模式：

原生分辨率：

• Tiny：512×512（64visiontokens）
• Small：640×640（100visiontokens）
• Base：1024×1024（256visiontokens）
• Large：1280×1280（400visiontokens）

动态分辨率：

Gundam: n×640×640 + 1×1024×1024

4）提示词示例：

# document: n<|grounding|>Convert the document to markdown.# other image: n<|grounding|>OCR this image.# without layouts: nFree OCR.# figures in document: nParse the figure.# general: nDescribe this image in detail.# rec: nLocate <|ref|>xxxx<|/ref|> in the image.# ‘先天下之忧而忧’

更多开源信息，可参考：

github：

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

huggingface：

https://huggingface.co/deepseek-ai/DeepSeek-OCR写在最后

目前，业界OCR普遍有两大难题：一是精度问题，二是成本问题。

DeepSeek换了个思路，把文字“拍”成图，让视觉模型当压缩器：原来上千个文本token才能说完的话，现在几十个视觉token就装下，压缩率直接拉到10×以上。

这套“光学压缩”方案落地成DeepSeek-OCR，token用得最少，成绩却刷到SOTA：一页A4论文，100个视觉token就能原样吐回1000+文本token，精度97%。

算力直接打一折，成本跟着跳水。更绝的是，模型连权重一起开源，零门槛白嫖。

把贵的东西做成白菜价，还顺手把账本公开——这操作，很DeepSeek。