DeepSeek-OCR
DeepSeekの3B、MITライセンスのOCRモデル。ページの文字を少数の視覚トークンに詰め込み、10倍未満の圧縮で約97%のデコード精度。
ひとことで. DeepSeek-OCRはページの画像を読んで、そこに書かれた文字を書き出します。背後にある研究のアイデアは、ページ画像なら文字そのものよりはるかに少ないトークンで同じ内容を保持でき、それにより非常に長い入力を安くできるかもしれない、というものです。モデルは小さく、MITライセンスで、1枚のGPUで動きます。
概要
DeepSeekは2025年10月20日にDeepSeek-OCRを公開しました。DeepEncoderという視覚エンコーダと、DeepSeek3B-MoE-A570Mというデコーダを組み合わせます。後者は約30億パラメータの混合専門家言語モデルで、トークンごとに5.7億が活性化します。チェックポイントはBF16で6.67 GB、約33.4億パラメータを保持し、重みはMITライセンスです。
論文はこのモデルを、光学2Dマッピングによる長コンテキスト圧縮の初期探求として位置づけます。テキストトークン数が視覚トークン数の10倍以内なら約97%のデコード精度、20倍の圧縮では約60%と報告しています。OmniDocBenchの文書ベンチマークでは、1ページ100視覚トークンだけでGOT-OCR 2.0を上回り、1ページ平均6,000トークン超のMinerU 2.0を800未満で上回ると述べています。DeepSeekはさらに、A100-40G 1枚で1日20万ページ超の学習データを作れると言います。これらの数字はDeepSeek自身の報告によるものです。
複数の解像度モードに対応します。Tiny(512 x 512、64視覚トークン)、Small(640 x 640、100トークン)、Base(1024 x 1024、256トークン)、Large(1280 x 1280、400トークン)、そして大きなページを分割する動的Gundamモードです。READMEはMarkdown変換、自由OCR、図の解析、文字位置特定のプロンプトを記録し、A100-40GでのPDF並列処理が約2,500トークン毎秒と報告しています。vLLMは2025年10月23日から上流でこのモデルをサポートしています。DeepSeekはその後、2026年1月にApache 2.0ライセンスのDeepSeek-OCR 2を発表しました。
おすすめの用途
- 1枚のGPUでの文書とPDFのデジタル化。MITライセンスで明確です
- 解像度モードによる速度と正確さのトレードオフの選択
- 長い入力を短くする光学コンテキスト圧縮の研究
- 上流でサポートがあるvLLM上でのパイプライン構築
注意点
- 旧版として印が付いています。DeepSeek-OCR 2(2026年1月)がより新しく、別のエンコーダでApache 2.0であるためです。それでもこのモデルは2026年11月11日までの30日間で約190万回ダウンロードされています。自分の文書で両者を比較してください
- 圧縮の結果は特定のテストセット上のOCR精度を示すもので、あなたのページで同じ正確さを保証しません
- 文書化された環境はCUDA 11.8とPyTorch 2.6.0で、モデルにはtrust_remote_codeが必要です
- ベンチマークの主張はDeepSeek自身の論文によるものです
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 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 BF16 | 3.34B アクティブ 570M | 7.68 GB | 3.84 GB | 2.3 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
最も短くシンプルな宽松型ライセンスです。著作権表示とライセンス表示を残す限り、モデルに対してほぼ何でもできます。
よくある質問
- DeepSeek-OCR とは何ですか?
- DeepSeek-OCRはページの画像を読んで、そこに書かれた文字を書き出します。背後にある研究のアイデアは、ページ画像なら文字そのものよりはるかに少ないトークンで同じ内容を保持でき、それにより非常に長い入力を安くできるかもしれない、というものです。モデルは小さく、MITライセンスで、1枚のGPUで動きます。
- DeepSeek-OCR は商用利用できますか?
- はい。DeepSeek-OCR はパーミッシブライセンスの MIT 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 はオープンソースですか?
- DeepSeek-OCR は、Open Source Initiative(OSI)が承認したライセンス MIT 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 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 は、4ビット精度で約 2.3 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 はいつリリースされましたか?
- DeepSeek-OCR は DeepSeek が 2025年10月20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 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
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 2 DeepSeek | 3.39B | – | Apache 2.0 (パーミッシブ) | 2.34 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 | |
| DeepSeek V4.1 Flash EN DeepSeek | 552B アクティブ 16B | 1M | MIT (パーミッシブ) | 561 GB GPUサーバー |