DeepSeek-OCR：面向文档AI的SOTA上下文光学压缩技术
通过 DeepSeek-OCR 模型，解锁前所未有的文档理解和高速 OCR 体验。从图片转 Markdown 到复杂的表格解析，感受下一代上下文光学压缩技术。
在 A100-40G 上推理速度高达 2500 tokens/s。
from 99+ happy users
开始使用 DeepSeek-OCR
通过三个简单的步骤将模型集成到您的工作流中：
DeepSeek-OCR 是什么
DeepSeek-OCR 是一种先进的多模态大语言模型（MLLM），专注于优化视觉数据的**光学压缩**，为复杂文档的视觉-文本压缩突破界限。
- 以 LLM 为中心的视觉方法一种研究视觉编码器从 LLM 视角如何更好理解上下文的新颖方法。
- 上下文 OCR 与解析超越简单的文本识别，理解文档结构、布局和上下文含义。
- 可扩展的分辨率支持支持多种原生和动态分辨率，以处理不同尺寸的文档而不会损失保真度。
DeepSeek-OCR 的核心能力
从高保真文本提取到复杂的文档结构转换，DeepSeek-OCR 满足您所有的文档 AI 需求。
用于强大文档 AI 的提示词示例
利用 DeepSeek-OCR 的上下文理解能力和专用提示词。
上下文文档解析
提示词：`<image>\n<|grounding|>Convert the document to markdown.` （适用于结构化提取）。
精确文本定位 (REC)
提示词：`<image>\nLocate <|ref|>xxxx<|/ref|> in the image.` （用于查找特定的文本块）。
自由形式/通用 OCR
提示词：`<image>\nFree OCR.` （简单、无约束的文本提取）。
图表分析
提示词：`<image>\nParse the figure.` （用于理解文档中的视觉元素）。
详细图像描述
提示词：`<image>\nDescribe this image in detail.` （通用多模态能力）。
多语言支持
已在包括中文在内的各种复杂脚本语言上进行测试。
无与伦比的 OCR 速度和效率
DeepSeek-OCR 专为速度和高容量处理而设计。
推理速度
~2500
tokens/s (A100-40G 上的 PDF 并发处理)
分辨率模式
5+
支持的分辨率模式（包括动态模式）
GitHub Star 数
7.2k+
社区支持
关于 DeepSeek-OCR 的常见问题
如需更多技术详情，请参阅 GitHub 仓库或论文。
什么是“上下文光学压缩”？
这是 DeepSeek-OCR 的核心概念，专注于视觉编码器如何有效地将丰富的视觉上下文压缩为 LLM 的 token，以确保文档理解的最大保真度。
高速推理需要什么硬件？
vLLM 推理在 NVIDIA A100-40G 或类似的高端 GPU 上表现最佳，速度高达 2500 tokens/s，这对于大规模 PDF 处理至关重要。
DeepSeek-OCR 支持结构化数据提取吗？
支持。通过使用提示词 `<|grounding|>Convert the document to markdown.`，模型可以有效地提取文档内容并将其结构化，包括表格和列表，转换为清晰的格式。
有哪些可用的分辨率模式？
模型支持原生模式：Tiny (512×512)、Small (640×640)、Base (1024×1024)、Large (1280×1280)，以及用于灵活和高保真输入的动态 Gundam 模式。
我如何贡献或报告问题？
您可以通过 fork 官方 DeepSeek-OCR GitHub 仓库、提交 Pull Request 或打开新的 Issue 来报告错误和提出建议。
我在哪里可以下载模型权重？
官方模型权重托管在 Hugging Face Hub 的 `deepseek-ai/DeepSeek-OCR` 仓库下。
立即开始使用 DeepSeek-OCR 进行构建
体验下一代文档 AI 和上下文光学压缩的性能。