DeepSeek-OCR
3B OCR-модель DeepSeek под MIT упаковывает текст страницы в немного визуальных токенов: ~97% точности декодирования при сжатии менее 10x.
Коротко. DeepSeek-OCR читает изображение страницы и записывает её текст. Исследовательская идея за ним: изображение страницы может нести тот же текст в куда меньшем числе токенов, чем сами слова, что может удешевить очень длинные входы. Модель маленькая, под лицензией MIT и работает на одной GPU.
Краткое описание
DeepSeek выпустила DeepSeek-OCR 20 октября 2025 года. Она соединяет визуальный энкодер DeepEncoder с декодером DeepSeek3B-MoE-A570M — MoE-языковой моделью примерно на 3 миллиарда параметров, из которых 570 миллионов активны на токен. Чекпойнт содержит около 3,34 миллиарда параметров в BF16, 6.67 GB, и веса распространяются под лицензией MIT.
Статья подаёт модель как начальное исследование сжатия длинных контекстов через оптическое 2D-отображение. Когда число текстовых токенов лежит в пределах десятикратного числа визуальных токенов, она сообщает около 97% точности декодирования, а при 20-кратном сжатии — около 60%. На документном бенчмарке OmniDocBench говорится, что модель обгоняет GOT-OCR 2.0, используя лишь 100 визуальных токенов на страницу, и обгоняет MinerU 2.0, который в среднем тратит более 6.000 токенов на страницу, с менее чем 800. DeepSeek также говорит, что одна A100-40G может производить более 200.000 страниц обучающих данных в день. Эти цифры — из собственного отчёта DeepSeek.
Поддерживается несколько режимов разрешения: Tiny (512 x 512, 64 визуальных токена), Small (640 x 640, 100), Base (1024 x 1024, 256), Large (1280 x 1280, 400) и динамический режим Gundam, который разбивает на плитки страницы побольше. README документирует промпты для конвертации в Markdown, свободного OCR, разбора рисунков и поиска текста, и сообщает около 2.500 токенов в секунду при конкурентной обработке PDF на A100-40G. vLLM поддерживает модель в upstream с 23 октября 2025 года. Затем, в январе 2026 года, DeepSeek выпустила DeepSeek-OCR 2 под Apache 2.0.
Подходит для
- Оцифровка документов и PDF на одной GPU с ясной лицензией MIT
- Выбор компромисса скорость/точность через режимы разрешения
- Изучение оптического сжатия контекста как способа укоротить длинные входы
- Построение пайплайнов на vLLM, который поддерживает модель в upstream
На что обратить внимание
- Помечена как legacy, потому что DeepSeek-OCR 2 (январь 2026) новее, использует другой энкодер и распространяется под Apache 2.0; тем не менее у этой модели около 1,9 млн загрузок за 30 дней до 11 ноября 2026 года — сравните обе на своих документах
- Результаты сжатия описывают точность OCR на конкретных тестовых наборах и не гарантируют той же точности на ваших страницах
- Задокументированная среда — CUDA 11.8 с PyTorch 2.6.0, модели нужен trust_remote_code
- Заявления о бенчмарках взяты из собственной статьи DeepSeek
Заявления о производительности поступают от разработчика и не проверялись независимо.
Сколько памяти ему нужно?
Оценки для варианта OCR. Модель со смесью экспертов должна держать в памяти всех своих экспертов, хотя на каждый токен задействуются лишь некоторые, поэтому объём памяти определяется общим числом параметров, а скорость — числом активных.
| Варианты | Параметры | BF16 | FP8 / INT8 | 4-bit (Q4) | Поместится на |
|---|---|---|---|---|---|
| OCR BF16 | 3.34B 570M активных | 7.68 GB | 3.84 GB | 2.3 GB | Ноутбук или телефон |
Оценка: веса плюс около 15% накладных расходов. Реальное потребление растёт с длиной контекста и зависит от используемого программного обеспечения.
Лицензия простыми словами
Самая короткая и простая разрешительная лицензия. Вы можете делать с моделью почти что угодно, если сохраняете уведомление об авторских правах и лицензии.
Частые вопросы
- Что такое DeepSeek-OCR?
- DeepSeek-OCR читает изображение страницы и записывает её текст. Исследовательская идея за ним: изображение страницы может нести тот же текст в куда меньшем числе токенов, чем сами слова, что может удешевить очень длинные входы. Модель маленькая, под лицензией MIT и работает на одной GPU.
- Можно ли использовать DeepSeek-OCR в коммерческих целях?
- Да. DeepSeek-OCR выпущена под MIT — это пермиссивная лицензия. Использовать её в коммерческих целях можно при соблюдении стандартных условий, например с сохранением уведомления о лицензии.
- Является ли DeepSeek-OCR моделью с открытым исходным кодом?
- DeepSeek-OCR выпущена под MIT — лицензией, одобренной Open Source Initiative. Обучающие данные и код обучения могут быть закрыты, поэтому точнее всего говорить об открытых весах под открытой лицензией.
- Можно ли запустить DeepSeek-OCR на своём компьютере?
- Да. Минимальному варианту, OCR, нужно около 2.3 GB памяти в 4-битной точности — это по силам современному ноутбуку или видеокарте среднего уровня.
- Когда вышла DeepSeek-OCR?
- DeepSeek-OCR выпущена разработчиком DeepSeek 20 октября 2025 г..
Официальные ссылки
Источники
Характеристики взяты из этих первоисточников. Упомянутые результаты бенчмарков приведены по данным разработчика.
- 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
Дата выпуска и факты в последний раз проверены 11 ноября 2026 г..
Связанные модели
| Модель | Дата выпуска | Параметры | Контекст | Лицензия | Память минимального варианта |
|---|---|---|---|---|---|
| DeepSeek-OCR 2 DeepSeek | 3.39B | – | Apache 2.0 (Пермиссивная) | 2.34 GB Ноутбук или телефон | |
| Unlimited-OCR EN Baidu | 3.34B | – | MIT (Пермиссивная) | 2.3 GB Ноутбук или телефон | |
| GLM-OCR EN Z.ai (Zhipu AI) | 900M | – | MIT (Пермиссивная) | 0.621 GB Ноутбук или телефон | |
| DeepSeek V4.1 Flash EN DeepSeek | 552B 16B активных | 1M | MIT (Пермиссивная) | 561 GB GPU-сервер |