DeepSeek-OCR 2

DeepSeekの3.4B、Apache 2.0文書OCRモデル。新エンコーダは走査順ではなく意味に沿って視覚トークンを並べ替えます。

ひとことで. DeepSeek-OCR 2は文書画像を読み込み、そのテキストやMarkdownを書き出します。新しい画像エンコーダは、左上から右下へ走査するのではなく、人のようにページの論理的な順序に従います。1枚のGPUで動く大きさで、Apache 2.0ライセンスは商用利用を許します。

概要

DeepSeekは2026年1月27日、DeepSeek-OCR 2をDeepSeek-OCRの後継として公開しました。約33.9億パラメータで、BF16チェックポイントは約6.8 GBです。重みはApache 2.0ライセンスで、初代DeepSeek-OCRはMITでした。設定ファイルによれば、前代と同様に12層の混合専門家(MoE)デコーダを持ち、64のルーティング専門家のうちトークンごとに6つ、さらに2つの共有専門家を選びます。

変更点はエンコーダです。従来の視覚言語モデルは、画像パッチを固定のラスタ順(左上から右下)で言語モデルに渡します。DeepSeekの報告はDeepEncoder V2を提案しており、言語モデルが読む前に、画像の意味に応じて視覚トークンを並べ替えます。著者らはこのアイデアを、人がページの論理構造に従うやり方になぞらえ、この仕事を完成品ではなく新しい設計の探求と位置づけています。解像度は動的で、最大6つの768 x 768クロップに1枚の1024 x 1024ビューを加え、ページあたり256〜1,120の視覚トークンを得ます。

使用説明では「Convert the document to markdown.」と「Free OCR.」の2つのプロンプトが記録されており、vLLMとTransformersのコードが示されています。テスト環境はCUDA 11.8、PyTorch 2.6.0、FlashAttentionです。DeepSeekによれば、vLLMでのPDFスループットはDeepSeek-OCRと同等です。モデルカードにベンチマーク表はないため、自分の文書で正確さを判断し、独自のベンチマーク結果を公表しているGLM-OCR、PaddleOCR-VL、Unlimited-OCRと比較してください。

おすすめの用途

  • 1枚のGPUで、レイアウトの複雑なスキャン、PDF、スクリーンショットをMarkdownへ変換
  • 明確なApache 2.0ライセンスが必要な商用文書パイプライン
  • 学習された視覚トークンの並べ替えとエンコーダ設計の研究
  • vLLMで提供されるバッチ処理

注意点

  • モデルカードとREADMEにベンチマーク表はなく、自分の文書で正確さを測ってください
  • 文書化された環境は古く特殊です。CUDA 11.8、PyTorch 2.6.0、vLLM 0.8.5、FlashAttention
  • カスタムモデルコードを使うため、trust_remote_codeを有効にする必要があります
  • ライセンスはMITの初代DeepSeek-OCRと異なります。どちらを配備するか確認してください

性能に関する主張は開発元によるもので、独自検証は行っていません。

必要なメモリはどのくらい?

OCR 2 バリエーションでの推定値です。エキスパート混合(MoE)モデルは、トークン1個ごとに使うのは一部のエキスパートでも、すべてのエキスパートをメモリに載せておく必要があります。したがって必要メモリは総パラメータ数で、速度はアクティブパラメータ数で決まります。

バリエーション パラメータ数 BF16 FP8 / INT8 4-bit (Q4) 動かせるマシン
OCR 2 BF16 3.39B 7.8 GB 3.9 GB 2.34 GB ノートPCまたはスマートフォン

推定方法:モデルの重みに約15%のオーバーヘッドを加えた値です。実際の使用量はコンテキスト長とともに増え、ソフトウェアにも依存します。

VRAM計算ツール

このライセンスをやさしく解説

パーミッシブ(寛容型)ライセンスの中で最も広く使われているものの一つです。軽い条件を守るだけで、モデルの利用や改変、それを組み込んだ製品の販売ができます。

Apache 2.0 の詳細

あわせて読みたい

よくある質問

DeepSeek-OCR 2 とは何ですか?
DeepSeek-OCR 2は文書画像を読み込み、そのテキストやMarkdownを書き出します。新しい画像エンコーダは、左上から右下へ走査するのではなく、人のようにページの論理的な順序に従います。1枚のGPUで動く大きさで、Apache 2.0ライセンスは商用利用を許します。
DeepSeek-OCR 2 は商用利用できますか?
はい。DeepSeek-OCR 2 はパーミッシブライセンスの Apache 2.0 で公開されています。ライセンス表示の保持といった標準的な条件を守れば、商用利用できます。
DeepSeek-OCR 2 はオープンソースですか?
DeepSeek-OCR 2 は、Open Source Initiative(OSI)が承認したライセンス Apache 2.0 で公開されています。訓練データや訓練コードは公開されていない場合もあるため、「オープンソースライセンス下のオープンウェイトモデル」と表現するのが正確です。
DeepSeek-OCR 2 を自分のPCで動かせますか?
はい。最小のバリエーション OCR 2 は、4ビット精度で約 2.34 GB のメモリが必要です。最新のノートPCやミドルクラスのグラフィックボードで動きます。
DeepSeek-OCR 2 はいつリリースされましたか?
DeepSeek-OCR 2 は DeepSeek が 2026年1月27日 にリリースしました。

公式リンク

出典

仕様は以下の一次資料に基づきます。ベンチマークの主張がある場合は開発元の公表値です。

リリース日と掲載内容は 2026年11月11日 時点で確認済みです。

関連モデル

モデル リリース日 パラメータ数 コンテキスト ライセンス 最小バリエーションの必要メモリ
DeepSeek-OCR DeepSeek 3.34B アクティブ 570M – MIT (パーミッシブ) 2.3 GB ノートPCまたはスマートフォン
Unlimited-OCR EN Baidu 3.34B – MIT (パーミッシブ) 2.3 GB ノートPCまたはスマートフォン
GLM-OCR EN Z.ai (Zhipu AI) 900M – MIT (パーミッシブ) 0.621 GB ノートPCまたはスマートフォン
PaddleOCR-VL EN Baidu 960M – Apache 2.0 (パーミッシブ) 0.662 GB ノートPCまたはスマートフォン