DeepSeek-OCR
Открытая модель с весами под лицензией MIT: превращает изображения и PDF в текст и разметку markdown, экономя токены.
- Без регистрации
- Да
- Русский интерфейс
- Нет
- Разработчик
- DeepSeek
- Страна
- Китай
DeepSeek-OCR — открытая модель компании DeepSeek для распознавания текста на изображениях и в PDF-документах. В основе идея оптического сжатия контекста: длинный текст подаётся как картинка и кодируется малым числом визуальных токенов, а декодер восстанавливает его. Модель из трёх миллиардов параметров с архитектурой MoE переводит страницы в markdown, умеет распознавать текст без учёта вёрстки, разбирать рисунки и находить положение текста на странице. Веса опубликованы на Hugging Face под лицензией MIT, запускать модель можно через vLLM или Transformers на собственной видеокарте.
Возможности
Документы в markdown
Переводит страницы и PDF в размеченный текст markdown, сохраняя структуру: заголовки, таблицы, формулы.
Режимы разрешения
Четыре готовых режима Tiny, Small, Base и Large с бюджетом от 64 до 400 визуальных токенов на страницу плюс динамический режим Gundam для сложных страниц.
Свободное распознавание
Режим Free OCR достаёт текст без привязки к разметке страницы, когда нужна только содержимое.
Разбор рисунков
Описывает изображения, разбирает графики и схемы, находит расположение текста на картинке.
Сжатие контекста
Исследовательская идея: длинный текст хранится как изображение и занимает в несколько раз меньше токенов; при сжатии менее чем в десять раз точность декодирования около 97%.
Пакетная обработка
Поддержка vLLM и SGLang для быстрой обработки PDF и больших пачек файлов на одной видеокарте.
Открытые веса
Модель, код запуска и статья доступны публично, лицензия MIT допускает коммерческое использование.
Кому подойдёт
- Разработчики
Встраивают распознавание документов в свои пайплайны и обучают модели на оцифрованных текстах.
- Исследователи и учёные
Изучают оптическое сжатие контекста и сравнивают модель с другими системами распознавания.
- Аналитики
Переводят отчёты, сканы и PDF с таблицами в текст для дальнейшей обработки.
- Финансисты и бухгалтеры
Оцифровывают счета, акты и сканы документов в больших объёмах на своём оборудовании.
Как начать
- Скачать веса модели со страницы DeepSeek-OCR на Hugging Face.
- Подготовить окружение с видеокартой NVIDIA, CUDA 11.8 и torch 2.6.
- Установить vLLM или Transformers с параметром trust_remote_code.
- Выбрать режим разрешения и запрос, например конвертацию в markdown.
- Запустить обработку изображения или PDF скриптами из репозитория.
Тарифы
Ограничения
- Нужна видеокарта NVIDIA и установка окружения самостоятельно, готового веб-сервиса у модели нет.
- При сильном сжатии контекста (около 20 раз) точность падает примерно до 60%.
- Для vLLM на момент выхода требовалась ночная сборка или версия из репозитория.
- Результат зависит от выбранного режима разрешения: на плотных страницах нужны более крупные режимы.
Платформы и интеграции
Семейство
Соседи по смыслу
за последний месяц