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.

Calculadora de VRAM

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.

Mais sobre MIT

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.

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