DeepSeek-OCR は、画像をテキストの圧縮ストレージとして扱うことで、97%の精度で10倍のテキスト圧縮を実現します。1,000個のテキストトークンを個別に処理する代わりに、わずか100個のビジョントークンを使用して1枚の画像として処理し、コストを最大85%削減します。
Novita AI で利用可能になった DeepSeek-OCR は、GPU 1台あたり1日20万ページ以上を処理し、100言語に対応、5つの解像度モード（64～400トークン以上）を提供します。従来のOCRを超え、チャートを構造化データに解析し、化学式を認識し、幾何学図形を抽出し、長時間の会話のための革新的なメモリ管理を可能にします。
今すぐ Novita AI Playground で試す →
DeepSeek-OCR とは？
DeepSeek-OCR は、画像をテキストの圧縮ストレージとして扱う視覚言語モデルです。1,000個のテキストトークンを個別に処理する（計算コストが高い）代わりに、わずか100個のビジョントークンを使用して1枚の画像として処理します。これは10倍の処理コスト削減です。
コアアーキテクチャ
モデルは2つの主要コンポーネントで構成されています。
DeepEncoder（約3億8,000万パラメータ）：特殊な視覚エンコーダ。ウィンドウアテンション（SAM）とグローバルアテンション（CLIP）を組み合わせた独自のシリアルアーキテクチャと、その間の16倍圧縮層を使用して、文書画像を効率的に処理します。
DeepSeek3B-MoE デコーダ（5億7,000万アクティブパラメータ）：コンパクトな混合専門家言語モデルで、圧縮された視覚情報をテキストに変換し、驚くべき精度を実現します。
このアーキテクチャにより、文書処理における前例のない効率性が実現され、大量の文書を扱う企業や、長いコンテキスト理解を必要とするアプリケーションに最適です。
光学的圧縮が重要な理由
従来の問題
AIモデルにおける従来のテキスト処理は二次関数的にスケールします。つまり、文書の長さが2倍になるとコストは4倍になる可能性があります。毎日何千もの文書を処理する企業にとって、これは法外に高価なものになります。
DeepSeek-OCR の解決策
最大1,000テキストトークンの文書は、97%の精度で10倍に圧縮できます。20倍圧縮でも精度は約60%と、多くのアプリケーションで十分な場合が多いです。
具体的な例：
従来、900個のテキストトークンを含む文書を処理するには900トークンが必要でした。DeepSeek-OCR を Small モード（100ビジョントークン）で使用すると、96.8%の精度で9.7倍の圧縮を達成します。1,100テキストトークンの文書では、91.5%の精度で10.6倍の圧縮になります。
ビジネスへの影響
APIコストの削減：一般的な文書で最大10倍少ないトークン処理により、大幅なコスト削減を実現。毎月100万ページを処理する企業は、年間5万ドル以上節約できます。
処理の高速化：トークンが少ないと応答時間が直接的に短縮され、ユーザーエクスペリエンスが向上し、リアルタイムアプリケーションが可能になります。
拡張性の向上：同じインフラ投資で10倍多くの文書を処理でき、成長をより予測可能で手頃なものにします。
メモリ効率：会話履歴を圧縮画像として保存することで、指数関数的なメモリ要件なしに超長文コンテキストアプリケーションを実現します。
パフォーマンスとベンチマーク
包括的な OmniDocBench の結果
包括的な文書解析ベンチマークである OmniDocBench において、DeepSeek-OCR は最小限のリソース使用で優れたパフォーマンスを達成します。以下の表は、さまざまな文書タイと言語間の詳細な比較を示しています（編集距離 - 低いほど良い）。
主なハイライト：
パイプラインモデル（従来の多段階アプローチ）：最も性能の高いパイプラインモデル PPstructure-v3 は、英語全体で0.152、中国語で0.223を達成しますが、複雑なマルチモデルインフラストラクチャが必要です。
エンドツーエンドモデル（単一モデルアプローチ）：競合する MinerU2.0 は6,790トークンを使用して英語0.133、中国語0.238を達成。Qwen2.5-VL-72B は3,949トークンで英語0.214、中国語0.261を記録。
DeepSeek-OCR のパフォーマンス：
- Small モード（100トークン）：英語全体0.221、中国語全体0.284
- Base モード（256トークン）：英語全体0.137、中国語全体0.240
- Gundam モード（795トークン）：英語全体0.127、中国語全体0.181
- Gundam-M（200dpi、1,853トークン）：英語全体0.123、中国語全体0.157 - 最先端の結果を達成
注目すべき成果：DeepSeek-OCR の Base モードはわずか256トークンで、15～26倍のトークンを使用するモデルを上回ります。Gundam-M モードは、すべてのエンドツーエンドモデルの中で最高の総合パフォーマンスを達成しながら、従来のアプローチよりも大幅に少ないトークンを使用します。
カテゴリ別パフォーマンス
テキスト認識：DeepSeek-OCR（Gundam-M）は英語テキストで0.049、中国語テキストで0.087を達成し、Gemini2.5-Pro をも上回ります。
数式認識：英語の数式で0.242、中国語の数式で0.377と、数学コンテンツにおける強力な能力を示しています。
テーブル抽出：英語テーブルで0.147、中国語テーブルで0.08のスコアは、堅牢な構造化データ抽出を示しています。
プロダクション能力
処理速度：A100-40G GPU 1台で1日あたり20万ページ以上を処理できます。20ノード（160 GPU）にスケールすれば、1日あたり3,300万ページとなり、最も要求の厳しいエンタープライズワークロードにも十分です。
コスト効率：毎月100万ページの文書を処理する企業の場合、その差は明白です。従来のモデルでは1ページあたり6,000トークン必要で、合計60億トークンを消費します。DeepSeek-OCR では1ページあたり800トークンで、合計8億トークンのみ——87%のトークン使用量と関連コストの削減です。
主な機能と性能
1. 多言語対応
DeepSeek-OCR は、主要な世界言語（英語、中国語、スペイン語、アラビア語、ヒンディー語）から特殊な文字（タイ語、ヘブライ語、キリル文字）まで、約100言語をサポートします。これにより、言語固有のOCRサービスが不要になり、国際業務が簡素化されます。
2. 高度な文書理解
モデルはテキストだけでなく、はるかに多くのものを認識します。チャートを構造化データに解析し、数式を LaTeX 形式で抽出し、幾何学図形を SVG 出力で識別し、結合セルや複雑な書式を含むテーブル構造を維持します。
3. 柔軟な出力形式
プレーンテキスト抽出（最速）、書式を保持したマークダウン、Web統合用のHTML、プログラム処理用の構造化JSONから選択できます。グラウンディングモードは空間関係を保存し、抽出データが元の文書の構造を維持することを保証します。
4. 長いコンテキストのための光学的圧縮
会話履歴をテキストトークンではなく圧縮画像として保存します。従来は10,000トークンを消費する10ターンの会話が、1,000ビジョントークンに圧縮可能で、持続可能なコストで超長コンテキストウィンドウのアプリケーションを可能にします。
影響：チャットアプリケーションは、指数関数的なコスト増加なしに数百ターンの会話にわたってコンテキストを維持でき、真に長文形式の AI インタラクションを実現します。
Novita AI での始め方
解像度モードについて
Novita AI は、さまざまなユースケースに合わせてパフォーマンス、速度、コストのバランスをとった5つの解像度モードで DeepSeek-OCR を提供します。
ネイティブ解像度モード：
Tiny モード（512×512、64トークン）：速度を最優先する単純な文書向けに最適化。領収書、簡単なフォーム、クイックテキスト抽出タスクに最適です。
Small モード（640×640、100トークン）：ほとんどのアプリケーションに最適なバランス。精度、速度、コストの最良のバランスを提供します。標準的なビジネス文書、請求書、レポートに最適です。
Base モード（1024×1024、256トークン）：パディングを使用してアスペクト比を維持しながら複雑なレイアウトを処理。契約書、詳細なレポート、レイアウトが重要な文書におすすめです。
Large モード（1280×1280、400トークン）：高解像度の詳細な文書向けの最大品質。研究論文、数式を含む技術文書、高品質要件に最適です。
ダイナミック解像度モード：
Gundam モード（n×640×640 + 1×1024×1024、可変トークン）：超高解像度文書向けのアダプティブタイル分割。大きな画像を640×640のローカルビュー（2～9枚）と1024×1024のグローバルビュー1枚に自動分割。新聞、雑誌、複雑なマルチカラムレイアウトに不可欠。画像が640×640より小さい場合、自動的に Base モードに切り替わります。
DeepSeek-OCR API へのアクセス
Novita AI は DeepSeek-OCR 用のシンプルな REST API を提供しています。開始するには、Novita AI アカウントにサインアップし、API キーを取得してください。API エンドポイントは、画像URLまたは base64 エンコードされた画像と、解像度モード、言語設定、出力形式などの設定パラメータを受け入れます。
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="<Your API Key>",
)
response = client.chat.completions.create(
model="deepseek/deepseek-ocr",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": "https://example.com/image.png"
}
},
{
"type": "text",
"text": "<|grounding|>OCR this image."
}
]
}
],
stream=False,
max_tokens=4096
)
content = response.choices[0].message.content
print(content)
基本的な使用パターン
書式が重要でない単純なテキスト抽出には、「Free OCR」モードを使用します。レイアウト、表、書式を保持する構造化文書解析には、マークダウン出力の「grounding」モードを使用します。チャート、数式、幾何学図形の高度な解析には、「Parse the figure」プロンプトを使用します。
解像度ガイド
適切なモードの選択
請求書、領収書、簡単なフォームの場合：Small モード（100トークン）が最適な選択です。高速でコスト効率が良く、構造化データ抽出に十分な精度を提供します。これで日常的なビジネス文書処理のほとんどをカバーできます。
ビジネス文書、レポート、契約書の場合：Base モード（256トークン）は複雑なレイアウトを適切に処理し、パディングでアスペクト比を維持します。文書の構造や書式が重要な場合の適切なバランスです。
研究論文や技術文書の場合：Large モード（400トークン）は、密なテキスト、数式、技術図に必要な精度を提供します。高いトークン数は精度要件によって正当化されます。
新聞、雑誌、マルチカラムレイアウトの場合：Gundam モード（可変トークン）が不可欠です。アダプティブタイル分割により、固定解像度モードでは文字化けする超高解像度や複雑なマルチカラムレイアウトを処理します。より多くのトークンを使用しますが、従来のアプローチよりもはるかに効率的です。
文書タイプ別パフォーマンスの洞察
包括的な OmniDocBench テストに基づく：
スライドや単純な文書：Tiny モード（64トークン）でもスライドで0.116の編集距離と驚くほど良好なパフォーマンスを発揮し、Small モードが最適な価値を提供します。これはプレゼンテーションスライドのレイアウトが明確で、1ページあたりのテキストが限られているためです。
書籍や標準文書：Small モード（100トークン）は書籍で0.085の編集距離と優れた価値を提供します。ほとんどの書籍には1ページあたり600～1,000テキストトークンが含まれており、10倍圧縮の最適範囲内です。
学術論文：Large モードまたは Gundam モードが推奨され、Gundam は学術論文で0.039の編集距離を達成——5～8倍多くのトークンを使用するモデルを上回ります。
新聞：Gundam モードが不可欠で、0.122の編集距離を達成（Tiny モードは0.940）。新聞には1ページあたり4,000～5,000テキストトークンと複雑なマルチカラムレイアウトが含まれており、アダプティブタイル分割アプローチが必要です。
数式が大量の文書：数学数式を含む文書には、Gundam-M モードが英語数式で0.242の編集距離と最高のパフォーマンスを達成し、特殊な大規模モデルと競合します。
Gundam モードの詳細
Gundam モードは、詳細な領域をキャプチャする複数のローカルビュー（640×640のタイル2～9枚）と、全体的なコンテキストを維持する1つのグローバルビュー（1024×1024）を作成します。トークン総数は n×100 + 256 で計算され、n はタイル数です。
Gundam モードを使用すべき時：画像のいずれかの寸法が1280ピクセルより大きい場合、マルチカラムレイアウトの文書、4,000以上のテキストトークンを含むコンテンツ、詳細とコンテキストの両方を必要とする複雑なインフォグラフィックに使用します。
実際の例：小さな新聞ページでは3枚のタイル（合計556トークン）を使用する場合がありますが、大きな新聞ページでは6枚のタイル（856トークン）を使用します。従来のアプローチでは6,000トークン以上が必要だったのと比較すると、最も複雑な文書でも7～10倍の圧縮を達成しています。
結論
Novita AI 上の DeepSeek-OCR は、97%の精度で10倍の圧縮を実現し、文書処理コストを最大85%削減しながら、100言語をサポートし、GPU 1台あたり1日20万ページ以上を処理します。
結果が物語っています： 毎月10万件の文書を処理する企業は、年間5万ドル以上を節約しています。処理速度は5～10倍向上します。インフラストラクチャは指数関数的ではなく線形にスケールします。
文書処理を変革する準備はできましたか？
DeepSeek-OCR を自分の文書で数分でテストできます。クレジットカードは不要です。5つの解像度モードから選択し、100言語の文書を処理し、10倍の圧縮を体験してください。
Novita AI は、開発者が AI アプリケーションを構築および拡張するための使いやすい API と手頃で信頼性の高い GPU インフラストラクチャを提供する、主要な AI クラウドプラットフォームです。
