DeepSeek-OCR 2
DeepSeeks 3.4B-Dokument-OCR unter Apache 2.0, dessen neuer Encoder visuelle Tokens nach Bedeutung statt in Scan-Reihenfolge umordnet.
Kurz gesagt. DeepSeek-OCR 2 liest Dokumentenbilder und schreibt ihren Text oder ihr Markdown aus. Sein neuer Bild-Encoder folgt der logischen Reihenfolge einer Seite, wie es ein Mensch täte, statt von oben links nach unten rechts zu scannen. Es ist klein genug für eine GPU, und die Apache-2.0-Lizenz erlaubt kommerzielle Nutzung.
Zusammenfassung
DeepSeek veröffentlichte DeepSeek-OCR 2 am 27. Januar 2026 als Nachfolger von DeepSeek-OCR. Es hat rund 3,39 Milliarden Parameter, und der BF16-Checkpoint ist etwa 6.8 GB groß. Die Gewichte stehen unter Apache 2.0, während das erste DeepSeek-OCR MIT nutzte. Laut seiner Konfigurationsdatei hat es wie der Vorgänger einen 12-Schicht-Mixture-of-Experts-Decoder mit 64 gerouteten Experten, 6 pro Token gewählten und 2 geteilten.
Die Änderung ist der Encoder. Konventionelle Vision-Sprach-Modelle füttern die Sprachmodelle mit Bild-Patches in einer festen Rasterreihenfolge, von oben links nach unten rechts. DeepSeeks Bericht stellt DeepEncoder V2 vor, der die visuellen Tokens nach der Bedeutung des Bildes umordnet, bevor das Sprachmodell sie liest; die Autoren vergleichen die Idee damit, wie Menschen der logischen Struktur einer Seite folgen, und beschreiben die Arbeit als Untersuchung dieses neuen Designs, nicht als fertiges Produkt. Die Auflösung ist dynamisch: bis zu sechs 768 x 768-Ausschnitte plus eine 1024 x 1024-Ansicht ergeben 256 bis 1.120 visuelle Tokens pro Seite.
Die Nutzungshinweise dokumentieren zwei Prompts, „Convert the document to markdown.“ und „Free OCR.“, und bieten Code für vLLM und Transformers. Die getestete Umgebung ist CUDA 11.8 mit PyTorch 2.6.0 und FlashAttention. DeepSeek sagt, der PDF-Durchsatz in vLLM sei auf dem Niveau von DeepSeek-OCR. Die Modellkarte gibt keine Benchmark-Tabelle an, beurteilen Sie die Genauigkeit also an Ihren eigenen Dokumenten und vergleichen Sie mit GLM-OCR, PaddleOCR-VL und Unlimited-OCR, die eigene Benchmark-Ergebnisse veröffentlichen.
Geeignet für
- Scans, PDFs und Screenshots mit komplexen Layouts auf einer einzigen GPU in Markdown umwandeln
- Kommerzielle Dokumenten-Pipelines, die eine klare Apache-2.0-Lizenz brauchen
- Forschung zu gelernter Ordnung visueller Tokens und Encoder-Design
- Batch-Jobs, die über vLLM serviert werden
Darauf achten
- Die Modellkarte und das README veröffentlichen keine Benchmark-Tabelle, messen Sie die Genauigkeit an Ihren eigenen Dokumenten
- Das dokumentierte Setup ist alt und spezifisch, mit CUDA 11.8, PyTorch 2.6.0, vLLM 0.8.5 und FlashAttention
- Es nutzt eigenen Modellcode, Sie müssen trust_remote_code aktivieren
- Die Lizenz unterscheidet sich vom ersten DeepSeek-OCR, das MIT ist, prüfen Sie also, welches Sie einsetzen
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wie viel Speicher braucht es?
Schätzwerte für die Variante OCR 2. Ein Mixture-of-Experts-Modell muss alle seine Experten im Speicher halten, auch wenn pro Token nur ein Teil davon verwendet wird: Die Gesamtparameterzahl bestimmt den Speicherbedarf, die aktiven Parameter bestimmen die Geschwindigkeit.
| Varianten | Parameter | BF16 | FP8 / INT8 | 4-bit (Q4) | Passt auf |
|---|---|---|---|---|---|
| OCR 2 BF16 | 3.39B | 7.8 GB | 3.9 GB | 2.34 GB | Laptop oder Smartphone |
Schätzwerte: Gewichte plus rund 15 % Overhead. Der tatsächliche Verbrauch wächst mit der Kontextlänge und hängt von der Software ab.
Die Lizenz, einfach erklärt
Eine der am weitesten verbreiteten permissiven Lizenzen. Sie dürfen das Modell nutzen und ändern und Produkte, die darauf aufbauen, verkaufen, mit nur wenigen leichten Bedingungen.
Siehe auch
Häufige Fragen
- Was ist DeepSeek-OCR 2?
- DeepSeek-OCR 2 liest Dokumentenbilder und schreibt ihren Text oder ihr Markdown aus. Sein neuer Bild-Encoder folgt der logischen Reihenfolge einer Seite, wie es ein Mensch täte, statt von oben links nach unten rechts zu scannen. Es ist klein genug für eine GPU, und die Apache-2.0-Lizenz erlaubt kommerzielle Nutzung.
- Darf ich DeepSeek-OCR 2 kommerziell nutzen?
- Ja. DeepSeek-OCR 2 erscheint unter Apache 2.0, einer permissiven Lizenz. Sie dürfen es kommerziell nutzen, wenn Sie die üblichen Bedingungen einhalten, etwa den Lizenzhinweis beibehalten.
- Ist DeepSeek-OCR 2 Open Source?
- DeepSeek-OCR 2 erscheint unter Apache 2.0, einer von der Open Source Initiative anerkannten Lizenz. Trainingsdaten und Trainingscode sind möglicherweise nicht öffentlich, daher lässt es sich am besten als offene Gewichte unter einer Open-Source-Lizenz beschreiben.
- Kann ich DeepSeek-OCR 2 auf meinem eigenen Computer ausführen?
- Ja. Die kleinste Variante, OCR 2, benötigt mit 4-Bit-Präzision etwa 2.34 GB Speicher, was auf einen modernen Laptop oder eine Mittelklasse-Grafikkarte passt.
- Wann wurde DeepSeek-OCR 2 veröffentlicht?
- DeepSeek-OCR 2 wurde von DeepSeek am 27. Januar 2026 veröffentlicht.
Offizielle Links
Quellen
Die Spezifikationen stammen aus diesen Primärquellen. Benchmark-Angaben werden, wo erwähnt, vom Entwickler gemeldet.
- DeepSeek-OCR-2 model card (Hugging Face) huggingface.co
- DeepSeek-OCR 2: Visual Causal Flow (technical report) arxiv.org
- DeepSeek-OCR-2 repository and usage notes (GitHub) github.com
Erscheinungsdatum und Fakten zuletzt geprüft: 11. November 2026.
Verwandte Modelle
| Modell | Erscheinungsdatum | Parameter | Kontext | Lizenz | Bedarf der kleinsten Variante |
|---|---|---|---|---|---|
| DeepSeek-OCR DeepSeek | 3.34B 570M aktiv | – | MIT (Permissiv) | 2.3 GB Laptop oder Smartphone | |
| Unlimited-OCR EN Baidu | 3.34B | – | MIT (Permissiv) | 2.3 GB Laptop oder Smartphone | |
| GLM-OCR EN Z.ai (Zhipu AI) | 900M | – | MIT (Permissiv) | 0.621 GB Laptop oder Smartphone | |
| PaddleOCR-VL EN Baidu | 960M | – | Apache 2.0 (Permissiv) | 0.662 GB Laptop oder Smartphone |