DeepSeek-OCR
O OCR de 3B sob licença MIT da DeepSeek comprime uma página em poucos tokens visuais: ~97% de precisão com <10x de compressão.
Em resumo. O DeepSeek-OCR lê a imagem de uma página e escreve o texto dela. A ideia de pesquisa por trás é que a imagem de uma página pode guardar o mesmo texto em muito menos tokens do que as próprias palavras, o que poderia baratear entradas muito longas. Ele é pequeno, tem licença MIT e roda em uma GPU.
Resumo
A DeepSeek lançou o DeepSeek-OCR em 20 de outubro de 2025. Ele junta um encoder de visão chamado DeepEncoder com um decoder DeepSeek3B-MoE-A570M, um modelo de linguagem de mistura de especialistas com cerca de 3 bilhões de parâmetros, dos quais 570 milhões são ativos por token. O checkpoint guarda cerca de 3,34 bilhões de parâmetros em BF16, a 6.67 GB, e os pesos usam a licença MIT.
O artigo encara o modelo como uma investigação inicial de comprimir contextos longos por mapeamento óptico 2D. Quando o número de tokens de texto está dentro de 10 vezes o número de tokens visuais, ele reporta cerca de 97% de precisão de decodificação, e a 20 vezes de compressão, cerca de 60%. No benchmark de documentos OmniDocBench, ele diz que o modelo supera o GOT-OCR 2.0 usando só 100 tokens visuais por página, e supera o MinerU 2.0, que usa em média mais de 6.000 tokens por página, com menos de 800. A DeepSeek também diz que uma única A100-40G pode produzir mais de 200.000 páginas de dados de treinamento por dia. Esses números vêm do próprio relatório da DeepSeek.
Vários modos de resolução são suportados: Tiny (512 x 512, 64 tokens visuais), Small (640 x 640, 100 tokens), Base (1024 x 1024, 256 tokens), Large (1280 x 1280, 400 tokens) e um modo dinâmico Gundam que ladrilha páginas maiores. O README documenta prompts para conversão em Markdown, OCR livre, análise de figuras e localização de texto, e reporta cerca de 2.500 tokens por segundo no processamento concorrente de PDF em uma A100-40G. O vLLM suporta o modelo upstream desde 23 de outubro de 2025. A DeepSeek o seguiu com o DeepSeek-OCR 2 em janeiro de 2026 sob a licença Apache 2.0.
Bom para
- Digitalização de documentos e PDF em uma GPU com licença MIT clara
- Escolher o equilíbrio entre velocidade e precisão pelos modos de resolução
- Estudar compressão óptica de contexto como jeito de encurtar entradas longas
- Construir pipelines no vLLM, que suporta o modelo upstream
Pontos de atenção
- Ele está marcado como legacy porque o DeepSeek-OCR 2 (janeiro de 2026) é mais novo, usa outro encoder e está sob Apache 2.0; ainda assim este modelo teve cerca de 1,9 milhão de downloads nos 30 dias até 11 de novembro de 2026, então compare os dois nos seus documentos
- Os resultados de compressão descrevem a precisão de OCR em conjuntos de teste específicos e não garantem a mesma acurácia nas suas páginas
- O ambiente documentado é CUDA 11.8 com PyTorch 2.6.0, e o modelo precisa de trust_remote_code
- As alegações de benchmark vêm do próprio artigo da DeepSeek
As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.
De quanta memória ele precisa?
Estimativas para a variante OCR. Um modelo de mistura de especialistas precisa manter todos os seus especialistas na memória, mesmo que apenas alguns sejam usados por token; por isso o total de parâmetros determina a memória e os parâmetros ativos determinam a velocidade.
| Variantes | Parâmetros | BF16 | FP8 / INT8 | 4-bit (Q4) | Cabe em |
|---|---|---|---|---|---|
| OCR BF16 | 3.34B 570M ativos | 7.68 GB | 3.84 GB | 2.3 GB | Notebook ou celular |
Estimativas: pesos mais cerca de 15% de overhead. O uso real cresce com o comprimento do contexto e depende do software.
A licença em palavras simples
A licença permissiva mais curta e simples. Você pode fazer quase qualquer coisa com o modelo, desde que mantenha o aviso de copyright e a licença.
Perguntas frequentes
- O que é DeepSeek-OCR?
- O DeepSeek-OCR lê a imagem de uma página e escreve o texto dela. A ideia de pesquisa por trás é que a imagem de uma página pode guardar o mesmo texto em muito menos tokens do que as próprias palavras, o que poderia baratear entradas muito longas. Ele é pequeno, tem licença MIT e roda em uma GPU.
- Posso usar DeepSeek-OCR comercialmente?
- Sim. DeepSeek-OCR é lançado sob MIT, uma licença permissiva. Você pode usá-lo comercialmente se seguir as condições padrão, como manter o aviso de licença.
- DeepSeek-OCR é de código aberto?
- DeepSeek-OCR é lançado sob MIT, uma licença aprovada pela Open Source Initiative. Os dados e o código de treinamento podem não ser públicos, então o melhor é descrevê-lo como pesos abertos sob uma licença de código aberto.
- Consigo rodar DeepSeek-OCR no meu próprio computador?
- Sim. A menor variante, OCR, precisa de cerca de 2.3 GB de memória em precisão de 4 bits, o que cabe em um notebook moderno ou em uma placa de vídeo intermediária.
- Quando DeepSeek-OCR foi lançado?
- DeepSeek-OCR foi lançado por DeepSeek em 20 de outubro de 2025.
Links oficiais
Fontes
As especificações vêm destas fontes primárias. As afirmações de benchmark, quando mencionadas, são informadas pelo desenvolvedor.
- 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
Data de lançamento e fatos verificados pela última vez em 11 de novembro de 2026.
Modelos relacionados
| Modelo | Lançamento | Parâmetros | Contexto | Licença | Memória da menor variante |
|---|---|---|---|---|---|
| DeepSeek-OCR 2 DeepSeek | 3.39B | – | Apache 2.0 (Permissiva) | 2.34 GB Notebook ou celular | |
| Unlimited-OCR EN Baidu | 3.34B | – | MIT (Permissiva) | 2.3 GB Notebook ou celular | |
| GLM-OCR EN Z.ai (Zhipu AI) | 900M | – | MIT (Permissiva) | 0.621 GB Notebook ou celular | |
| DeepSeek V4.1 Flash EN DeepSeek | 552B 16B ativos | 1M | MIT (Permissiva) | 561 GB Servidor de GPU |