DeepSeek-OCR
OCR de 3B con licencia MIT de DeepSeek que comprime una página en pocos tokens visuales: ~97% de precisión con <10x de compresión.
En resumen. DeepSeek-OCR lee la imagen de una página y escribe su texto. La idea de investigación detrás es que la imagen de una página puede guardar el mismo texto en muchos menos tokens que las propias palabras, lo que podría abaratar entradas muy largas. Es pequeño, tiene licencia MIT y corre en una GPU.
Resumen
DeepSeek lanzó DeepSeek-OCR el 20 de octubre de 2025. Empareja un codificador de visión llamado DeepEncoder con un decodificador DeepSeek3B-MoE-A570M, un modelo de lenguaje mezcla de expertos con unos 3.000 millones de parámetros, de los que 570 millones están activos por token. El checkpoint contiene unos 3.340 millones de parámetros en BF16, a 6.67 GB, y los pesos usan la licencia MIT.
El artículo plantea el modelo como una primera investigación de comprimir contextos largos mediante mapeo óptico 2D. Cuando el número de tokens de texto está dentro de 10 veces el número de tokens visuales, reporta cerca del 97% de precisión de decodificación, y a 20 veces de compresión, cerca del 60%. En el benchmark de documentos OmniDocBench dice que el modelo supera a GOT-OCR 2.0 usando solo 100 tokens visuales por página, y supera a MinerU 2.0, que promedia más de 6.000 tokens por página, con menos de 800. DeepSeek también dice que una sola A100-40G puede producir más de 200.000 páginas de datos de entrenamiento al día. Estas cifras son del propio informe de DeepSeek.
Se admiten varios modos de resolución: Tiny (512 x 512, 64 tokens visuales), Small (640 x 640, 100 tokens), Base (1024 x 1024, 256 tokens), Large (1280 x 1280, 400 tokens) y un modo dinámico Gundam que tesela páginas más grandes. El README documenta prompts para conversión a Markdown, OCR libre, análisis de figuras y localización de texto, y reporta unos 2.500 tokens por segundo en procesamiento concurrente de PDF en una A100-40G. vLLM soporta el modelo upstream desde el 23 de octubre de 2025. DeepSeek lo siguió con DeepSeek-OCR 2 en enero de 2026 bajo la licencia Apache 2.0.
Ideal para
- Digitalización de documentos y PDF en una sola GPU con una licencia MIT clara
- Elegir el equilibrio entre velocidad y precisión mediante los modos de resolución
- Estudiar la compresión óptica de contexto como forma de acortar entradas largas
- Construir pipelines sobre vLLM, que soporta el modelo upstream
A tener en cuenta
- Está marcado como legacy porque DeepSeek-OCR 2 (enero de 2026) es más nuevo, usa otro codificador y está bajo Apache 2.0; aun así este modelo tuvo unas 1,9 millones de descargas en los 30 días hasta el 11 de noviembre de 2026, así que compara ambos en tus documentos
- Los resultados de compresión describen precisión de OCR en conjuntos de prueba concretos y no garantizan la misma exactitud en tus páginas
- El entorno documentado es CUDA 11.8 con PyTorch 2.6.0, y el modelo necesita trust_remote_code
- Las afirmaciones de benchmark vienen del propio artículo de DeepSeek
Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.
¿Cuánta memoria necesita?
Estimaciones para la variante OCR. Un modelo de mezcla de expertos debe mantener todos sus expertos en memoria aunque solo se usen algunos en cada token; por eso los parámetros totales deciden la memoria y los parámetros activos deciden la velocidad.
| Variantes | Parámetros | BF16 | FP8 / INT8 | 4-bit (Q4) | Cabe en |
|---|---|---|---|---|---|
| OCR BF16 | 3.34B 570M activos | 7.68 GB | 3.84 GB | 2.3 GB | Portátil o móvil |
Estimaciones: los pesos más un 15 % de sobrecoste aproximadamente. El uso real crece con la longitud del contexto y depende del software.
La licencia en palabras sencillas
La licencia permisiva más corta y sencilla. Puedes hacer casi cualquier cosa con el modelo mientras conserves el aviso de copyright y la licencia.
Preguntas frecuentes
- ¿Qué es DeepSeek-OCR?
- DeepSeek-OCR lee la imagen de una página y escribe su texto. La idea de investigación detrás es que la imagen de una página puede guardar el mismo texto en muchos menos tokens que las propias palabras, lo que podría abaratar entradas muy largas. Es pequeño, tiene licencia MIT y corre en una GPU.
- ¿Puedo usar DeepSeek-OCR comercialmente?
- Sí. DeepSeek-OCR se publica bajo MIT, una licencia permisiva. Puedes usarlo comercialmente si cumples las condiciones estándar, como mantener el aviso de licencia.
- ¿Es DeepSeek-OCR de código abierto?
- DeepSeek-OCR se publica bajo MIT, una licencia aprobada por la Open Source Initiative. Los datos y el código de entrenamiento pueden no ser públicos, así que lo más preciso es describirlo como pesos abiertos bajo una licencia de código abierto.
- ¿Puedo ejecutar DeepSeek-OCR en mi propio equipo?
- Sí. La variante más pequeña, OCR, necesita unos 2.3 GB de memoria con precisión de 4 bits, lo que cabe en un portátil moderno o en una tarjeta gráfica de gama media.
- ¿Cuándo se lanzó DeepSeek-OCR?
- DeepSeek-OCR fue lanzado por DeepSeek el 20 de octubre de 2025.
Enlaces oficiales
Fuentes
Las especificaciones provienen de estas fuentes primarias. Las afirmaciones sobre benchmarks, cuando se mencionan, son las que reporta el desarrollador.
- 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
Fecha de lanzamiento y datos verificados por última vez: 11 de noviembre de 2026.
Modelos relacionados
| Modelo | Lanzamiento | Parámetros | Contexto | Licencia | Necesario para la variante más pequeña |
|---|---|---|---|---|---|
| DeepSeek-OCR 2 DeepSeek | 3.39B | – | Apache 2.0 (Permisiva) | 2.34 GB Portátil o móvil | |
| Unlimited-OCR EN Baidu | 3.34B | – | MIT (Permisiva) | 2.3 GB Portátil o móvil | |
| GLM-OCR EN Z.ai (Zhipu AI) | 900M | – | MIT (Permisiva) | 0.621 GB Portátil o móvil | |
| DeepSeek V4.1 Flash EN DeepSeek | 552B 16B activos | 1M | MIT (Permisiva) | 561 GB Servidor con GPU |