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。
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。
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。
- 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
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 |