DeepSeek-OCR开源,一整页文档,压缩成几百个token

DeepSeek 开源了一个名为 DeepSeek-OCR 的 OCR 模型，核心创新是“上下文光学压缩”——把整页文档或图像压缩成极少量的视觉 token（模型可理解的“图像片段”），再交给大语言模型处理，在探索视觉文本压缩极限的同时大幅降低 token 开销。

要点

• 发布节奏：2025 年 10 月 20 日发布 DeepSeek-OCR；10 月 23 日获上游 vLLM 官方集成支持；2026 年 1 月 27 日推出全新升级版 DeepSeek-OCR2。

• 核心理念：从大模型中心视角研究视觉编码器的作用，用尽可能少的视觉 token 承载尽可能多的文本信息，相当于把一整页书“速记”成几行浓缩信息再还原。

• 压缩能力：原生分辨率分四档：Tiny（512×512）仅消耗 64 个视觉 token，Small（640×640）消耗 100 个，Base（1024×1024）消耗 256 个，Large（1280×1280）消耗 400 个；另配有动态分辨率 Gundam 模式（n×640×640 + 1×1024×1024），可无缝拼接处理超大页面。

• 任务覆盖：通过输入不同提示词，可直接执行文档转 Markdown（保留完整版面结构）、自由通用 OCR、图表解析、图像细节描述、按引文坐标定位文字等多项复杂任务。

• 性能参考：在单张 NVIDIA A100-40G 显卡实测中，PDF 并发处理速度约为 2500 tokens/s。

• 推理方案：官方同步提供 vLLM（适合批量、高吞吐工业场景）与 Transformers（适合快速验证与上手调试）两套推理实现。

• 学术生态：技术论文同步公开于 arXiv（编号 2510.18234），模型权重托管于 Hugging Face；并在项目实现中公开致谢了 Vary、GOT-OCR2.0、MinerU、PaddleOCR 等前作贡献。

上手

• 硬件门槛：官方基准环境为 CUDA 11.8 + PyTorch 2.6.0，必须配备 NVIDIA 独立显卡（性能指标基于 A100-40G）；无 N 卡或显存较小的普通家用设备基本无法完成本地部署。

• 环境依赖：需使用 Conda 创建 Python 3.12.9 环境，并手动下载安装指定的 vllm-0.8.5 whl 离线包；flash-attn 必须锁定 2.7.3 版本且安装时需附加 --no-build-isolation 参数，环境依赖错配是新手最常见的报错卡点。

• 报错忽略：在安装依赖环节，若终端出现 vllm 0.8.5+cu118 requires transformers>=4.51.1 的警告提示，官方明确说明可直接忽略，并不影响 vLLM 与 Transformers 框架共用同一环境。

• 获取形态：无一键安装包或便携版，纯开源代码仓库形态：需通过 GitHub 克隆工程代码并前往 Hugging Face 下载模型权重；若选择上游 vLLM 官方路线，在 v0.11.1 正式发布前需拉取 nightly 版本安装。

项目由 DeepSeek AI 开发，当前 24.1k Stars。

❝

项目地址：github.com/deepseek-ai/DeepSeek-OCR