deepseek-ai 团队近日发布了题为《deepseek-ocr：contexts optical compression》的研究论文，提出一种通过视觉模态实现长文本上下文压缩的创新方法。根据 hugging face 页面信息，该模型参数规模为 3b。

开源地址：https://www./link/32ce0ec3ee6f3951004c8ebb7511ffc1https://www./link/b3f1ba764509b453d6cc48e0969e5cb7

据官方介绍，此次发布的 DeepSeek-OCR 包含两个核心组件：专用编码器 DeepEncoder 和解码器 DeepSeek3B-MoE-A570M。其中，DeepEncoder 针对高分辨率输入进行了优化设计，在确保低计算激活的同时实现高效压缩，有效将视觉 token 数量控制在合理范围内。

实验结果表明，当文本 token 数量不超过视觉 token 的 10 倍（即压缩比低于 10×）时，模型 OCR 准确率可达 97%；即使压缩比提升至 20×，准确率仍能维持在约 60% 的水平，展现出其在历史文档处理、长上下文压缩以及大语言模型记忆机制探索方面的广阔应用前景。同时，DeepSeek-OCR 具备出色的实用价值。

在 OmniDocBench 基准测试中，DeepSeek-OCR 仅用 100 个视觉 token 就超越了 GOT-OCR2.0（每页使用 256 个 token），而当视觉 token 不足 800 时，性能已优于 MinerU2.0（平均每页消耗超过 6000 个 token）。

在实际部署场景中，DeepSeek-OCR 可在单张 A100-40G 显卡上每日生成逾 20 万页高质量训练数据，适用于大规模视觉语言模型或大语言模型的训练需求。

源码地址：点击下载