DeepSeek-OCR
DeepSeeks 3B-OCR-Modell unter MIT-Lizenz packt Seitentext in wenige visuelle Tokens: ca. 97% Dekodiergenauigkeit bei unter 10x Kompression.
Kurz gesagt. DeepSeek-OCR liest das Bild einer Seite und schreibt den darauf stehenden Text aus. Die Forschungsidee dahinter: Ein Seitenbild kann denselben Text in weit weniger Tokens speichern als die Wörter selbst, was sehr lange Eingaben billiger machen könnte. Es ist klein, MIT-lizenziert und läuft auf einer GPU.
Zusammenfassung
DeepSeek veröffentlichte DeepSeek-OCR am 20. Oktober 2025. Es kombiniert einen Vision-Encoder namens DeepEncoder mit einem DeepSeek3B-MoE-A570M-Decoder, einem Mixture-of-Experts-Sprachmodell mit rund 3 Milliarden Parametern, von denen pro Token 570 Millionen aktiv sind. Der Checkpoint enthält rund 3,34 Milliarden Parameter in BF16, bei 6.67 GB, und die Gewichte stehen unter der MIT-Lizenz.
Das Paper rahmt das Modell als erste Untersuchung, lange Kontexte durch optisches 2D-Mapping zu komprimieren. Liegt die Zahl der Text-Tokens innerhalb des Zehnfachen der Zahl der visuellen Tokens, meldet es rund 97% Dekodiergenauigkeit, bei 20-facher Kompression rund 60%. Auf dem Dokument-Benchmark OmniDocBench sagt es, das Modell schlage GOT-OCR 2.0 mit nur 100 visuellen Tokens pro Seite, und schlage MinerU 2.0, das im Schnitt über 6.000 Tokens pro Seite braucht, mit weniger als 800. DeepSeek sagt außerdem, eine einzelne A100-40G könne täglich über 200.000 Seiten an Trainingsdaten erzeugen. Diese Zahlen stammen aus DeepSeeks eigenem Bericht.
Mehrere Auflösungsmodi werden unterstützt: Tiny (512 x 512, 64 visuelle Tokens), Small (640 x 640, 100 Tokens), Base (1024 x 1024, 256 Tokens), Large (1280 x 1280, 400 Tokens) und ein dynamischer Gundam-Modus, der größere Seiten kachelt. Das README dokumentiert Prompts für Markdown-Konvertierung, freies OCR, Figuren-Parsing und Textlokalisierung und meldet rund 2.500 Tokens pro Sekunde bei gleichzeitiger PDF-Verarbeitung auf einer A100-40G. vLLM unterstützt das Modell upstream seit dem 23. Oktober 2025. DeepSeek folgte mit DeepSeek-OCR 2 im Januar 2026 unter der Apache-2.0-Lizenz.
Geeignet für
- Dokumenten- und PDF-Digitalisierung auf einer GPU mit klarer MIT-Lizenz
- Geschwindigkeit-Genauigkeit-Abwägung über die Auflösungsmodi wählen
- Optische Kontextkompression als Weg zu kürzeren langen Eingaben studieren
- Pipelines auf vLLM bauen, das das Modell upstream unterstützt
Darauf achten
- Als Legacy markiert, weil DeepSeek-OCR 2 (Januar 2026) neuer ist, einen anderen Encoder nutzt und unter Apache 2.0 steht; dieses Modell hatte dennoch rund 1,9 Millionen Downloads in den 30 Tagen bis zum 11. November 2026, vergleichen Sie beide an Ihren Dokumenten
- Die Kompressionsergebnisse beschreiben OCR-Genauigkeit auf konkreten Testsets und garantieren dieselbe Treffsicherheit nicht für Ihre Seiten
- Das dokumentierte Umfeld ist CUDA 11.8 mit PyTorch 2.6.0, und das Modell braucht trust_remote_code
- Die Benchmark-Behauptungen stammen aus DeepSeeks eigenem Paper
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wie viel Speicher braucht es?
Schätzwerte für die Variante OCR. 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 BF16 | 3.34B 570M aktiv | 7.68 GB | 3.84 GB | 2.3 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
Die kürzeste und einfachste permissive Lizenz. Sie können mit dem Modell fast alles machen, solange Sie den Urheberrechts- und Lizenzhinweis beibehalten.
Häufige Fragen
- Was ist DeepSeek-OCR?
- DeepSeek-OCR liest das Bild einer Seite und schreibt den darauf stehenden Text aus. Die Forschungsidee dahinter: Ein Seitenbild kann denselben Text in weit weniger Tokens speichern als die Wörter selbst, was sehr lange Eingaben billiger machen könnte. Es ist klein, MIT-lizenziert und läuft auf einer GPU.
- Darf ich DeepSeek-OCR kommerziell nutzen?
- Ja. DeepSeek-OCR erscheint unter MIT, einer permissiven Lizenz. Sie dürfen es kommerziell nutzen, wenn Sie die üblichen Bedingungen einhalten, etwa den Lizenzhinweis beibehalten.
- Ist DeepSeek-OCR Open Source?
- DeepSeek-OCR erscheint unter MIT, 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 auf meinem eigenen Computer ausführen?
- Ja. Die kleinste Variante, OCR, benötigt mit 4-Bit-Präzision etwa 2.3 GB Speicher, was auf einen modernen Laptop oder eine Mittelklasse-Grafikkarte passt.
- Wann wurde DeepSeek-OCR veröffentlicht?
- DeepSeek-OCR wurde von DeepSeek am 20. Oktober 2025 veröffentlicht.
Offizielle Links
Quellen
Die Spezifikationen stammen aus diesen Primärquellen. Benchmark-Angaben werden, wo erwähnt, vom Entwickler gemeldet.
- DeepSeek-OCR model card (Hugging Face) huggingface.co
- DeepSeek-OCR: Contexts Optical Compression (technical report) arxiv.org
- DeepSeek-OCR repository, release notes and usage modes (GitHub) github.com
Erscheinungsdatum und Fakten zuletzt geprüft: 11. November 2026.
Verwandte Modelle
| Modell | Erscheinungsdatum | Parameter | Kontext | Lizenz | Bedarf der kleinsten Variante |
|---|---|---|---|---|---|
| DeepSeek-OCR 2 DeepSeek | 3.39B | – | Apache 2.0 (Permissiv) | 2.34 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 | |
| DeepSeek V4.1 Flash EN DeepSeek | 552B 16B aktiv | 1M | MIT (Permissiv) | 561 GB GPU-Server |