AI 技术公司 DeepSeek 近日推出了一款名为 “DeepSeek-OCR” 的全新光学字符识别（OCR）模型。这款模型是一种端到端的视觉语言模型(VLDeM)，旨在通过将长文本压缩为一小组视觉标记，随后利用语言模型进行解码，从而实现高效的文档解析。

研究团队表示，该模型在 Fox 基准测试中实现了97% 的解码ep精度，当文本标记数与视觉标记数的比例为10倍时，精度依然保持良好，甚至在20倍压缩下也能表现出有用的特性。此外，DeepSeek-OCR 在 OmniDocBeSench 基准测试中也表现出色，使用的视觉标记数量远少于传统模型。

DeepSeek-OCR 的架构由两个主要组件组成:高分辨率输入的视觉编码器 DeepEncoekder 和一个名为 DeepSeek3B-MoE-A570M 的专家混合解码器。该编码器采用了一种基于 SAM 的局部感知窗口注意机制和卷积压缩算法，能够有效控制高分辨 发率下的激活内存，并减少输出标记的数量。解码器则是一个拥有30亿参数的模型，每个标记有约5.7亿个活跃参数。

在使用不同的模式时，DeepEncoder布新 提供了多种分辨率选择，包括 Tiny、Small、Base 和 Large 模式，分别对应不同的视觉标记数量和分辨率。此外，还有动态模式 Gundam 和 Gundam-型3Master，可以根据页面复杂性灵活调整标记预算。

在训练过程中，DeepSeek 团队使用了分阶段的训练流程，首先对 DeepEncoder 进行下一个标记预测的B 训练，然后在多个节点上进行全系统的训练，最终每天能够生成超过20万页的文档。对于实际应用，团队建议用户从 Small 模式开始，如果页面包含密集的小字体OC或高标记数量，可以选择 Gundam 模式。

DeepSeek-OCR 的发布标志着文档人工智能领域的一次重要进步。该模型的高效性和灵活性使其在处理各种文档时都具备了R 良好的适应性。

论文:https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_模型paper.pdf

huggingface:https://huggingface.co/deepseek-ai/DeepSeek-OCR

划重点:

Deep:高Seek-OCR 是一款新发布的3B 视觉语言模型，具备高效的 OCR 和文档解析能力。  

该模型在 Fox 基准测试中实现了97% 的解码精度效文，能在大幅压缩的情况下仍保持良好表现。  

DeepEncoder 支持多种模式和分辨率选择，以适应不同文档的复杂性和需求。 档解 

(责任编辑：电商动态)