DeepSeek-OCR 通过将图像视为文本的压缩存储，实现了 10 倍文本压缩，准确率达 97%。它不再分别处理 1,000 个文本令牌，而是将文档作为单个图像处理，仅使用 100 个视觉令牌——成本降低高达 85%。
现在，DeepSeek-OCR 已在 Novita AI 上线，每块 GPU 每天可处理 200,000 页以上，支持 100 种语言，并提供五种分辨率模式（64 至 400+ 令牌）。它的功能超越了传统 OCR，能够将图表解析为结构化数据、识别化学公式、提取几何图形，并为长对话提供创新的记忆管理。
现在就在 Novita AI Playground 中尝试 →
DeepSeek-OCR 是什么？
DeepSeek-OCR 是一个视觉语言模型，它将图像视为文本的压缩存储。一个包含 1,000 个文本令牌的文档，传统上需要逐个处理这些令牌（计算成本很高），而该模型将其作为单个图像处理，仅使用 100 个视觉令牌——处理成本降低了 10 倍。
核心架构
该模型由两个关键组件组成：
DeepEncoder（约 3.8 亿参数）：一个专门的视觉编码器，采用独特的串行架构，结合了窗口注意力（SAM）和全局注意力（CLIP），并在两者之间加入了一个 16 倍压缩层，能够高效处理文档图像。
DeepSeek3B-MoE 解码器（5.7 亿激活参数）：一个紧凑的混合专家语言模型，能够以极高的准确率将压缩后的视觉信息转换回文本。
这种架构在文档处理中实现了前所未有的效率，非常适合处理大量文档的企业，或需要长上下文理解的应用。
为什么光学压缩很重要
传统问题
AI 模型中的传统文本处理呈二次方增长——文档长度翻倍，成本可能增加四倍。对于每天处理数千份文档的企业来说，这变得极其昂贵。
DeepSeek-OCR 的解决方案
包含最多 1,000 个文本令牌的文档可以被压缩 10 倍，准确率仍达 97%。即使在 20 倍压缩下，准确率也保持在 60% 左右——对于许多应用来说已经足够。
实际案例：
一份包含 900 个文本令牌的文档，传统上需要 900 个令牌来处理。使用 DeepSeek-OCR 的小模式（100 个视觉令牌），你可以实现 9.7 倍压缩，准确率 96.8%。对于包含 1,100 个文本令牌的文档，你可以获得 10.6 倍压缩，准确率 91.5%。
商业影响
降低 API 成本：对于典型文档，处理的令牌数量最多可减少 10 倍，从而大幅节省成本——每月处理 100 万页的企业每年可节省超过 5 万美元。
更快的处理速度：令牌数量减少直接带来更快的响应时间，改善用户体验，并支持实时应用。
更好的可扩展性：在相同基础设施投入下，可以处理 10 倍的文档数量，使增长更可预测、更经济。
内存效率：将对话历史存储为压缩图像，实现超长上下文应用，无需指数级的内存需求。
性能与基准测试
全面的 OmniDocBench 结果
在全面的文档解析基准测试 OmniDocBench 上，DeepSeek-OCR 以最小的资源消耗取得了卓越的性能。下表显示了不同文档类型和语言的详细对比（编辑距离——越低越好）：
关键亮点：
管道模型（传统的多阶段方法）：性能最好的管道模型 PPstructure-v3 在英文上整体得分为 0.152，在中文上为 0.223，但需要复杂的多模型基础设施。
端到端模型（单模型方法）：在竞争对手中，使用 6,790 个令牌的 MinerU2.0 在英文上得分为 0.133，在中文上为 0.238。使用 3,949 个令牌的 Qwen2.5-VL-72B 在英文上得分为 0.214，在中文上为 0.261。
DeepSeek-OCR 性能：
- 小模式（100 令牌）：英文整体 0.221，中文整体 0.284
- 基础模式（256 令牌）：英文整体 0.137，中文整体 0.240
- 高达模式（795 令牌）：英文整体 0.127，中文整体 0.181
- 高达-M 模式，200dpi（1,853 令牌）：英文整体 0.123，中文整体 0.157——达到最先进水平
显著成就：DeepSeek-OCR 的基础模式仅使用 256 个令牌，就超越了使用 15-26 倍令牌的模型。高达-M 模式在所有端到端模型中取得了最佳综合性能，同时使用的令牌数仍远少于传统方法。
按类别划分的性能
文本识别：DeepSeek-OCR（高达-M）在英文文本上达到 0.049，在中文文本上达到 0.087，表现优于 Gemini2.5-Pro。
公式识别：DeepSeek-OCR 在英文公式上为 0.242，在中文公式上为 0.377，展示了强大的数学内容处理能力。
表格提取：在英文表格上得分为 0.147，在中文表格上得分为 0.08，展示了稳健的结构化数据提取能力。
生产环境能力
处理速度：单块 A100-40G GPU 每天可处理超过 200,000 页。扩展到 20 个节点（160 块 GPU），每天可处理 3,300 万页——足以满足最苛刻的企业工作负载。
成本效益：对于每月处理 100 万文档页的企业，差异显而易见。传统模型每页需要 6,000 个令牌，总计消耗 60 亿个令牌。DeepSeek-OCR 每页使用 800 个令牌，仅消耗 8 亿个令牌——令牌使用量及相关成本减少了 87%。
主要功能与能力
1. 多语言支持
DeepSeek-OCR 支持近 100 种语言，从主要世界语言（英语、汉语、西班牙语、阿拉伯语、印地语）到特殊文字（泰语、希伯来语、西里尔字母）。这消除了对特定语言 OCR 服务的需求，简化了国际业务运营。
2. 高级文档理解
该模型识别的内容远不止文本。它可以将图表解析为结构化数据，用 LaTeX 格式提取数学公式，以 SVG 输出识别几何图形，并保持表格结构（包括合并单元格和复杂格式）。
3. 灵活的输出格式
选择纯文本提取（最快）、保留格式的 Markdown、用于 Web 集成的 HTML，或用于程序化处理的结构化 JSON。定位模式保持空间关系，确保提取的数据保留原始文档的结构。
4. 用于长上下文的光学压缩
将对话历史存储为压缩图像，而不是文本令牌。一个传统上需要 10,000 个令牌的 10 轮对话，可以压缩到 1,000 个视觉令牌，使具有超长上下文窗口的应用能够以可持续的成本运行。
影响：聊天应用可以在数百轮对话中保持上下文，而不会产生指数级成本增长，从而实现真正的长形式 AI 交互。
在 Novita AI 上快速上手
理解分辨率模式
Novita AI 提供 五种分辨率模式 的 DeepSeek-OCR，旨在平衡不同用例的性能、速度和成本。
原生分辨率模式：
极小模式（512×512，64 令牌）：针对速度优先的简单文档进行了优化。非常适合收据、简单表格或快速文本提取任务。
小模式（640×640，100 令牌）：大多数应用的最佳选择。在准确率、速度和成本之间提供了最佳平衡。适用于标准的商业文档、发票和报告。
基础模式（1024×1024，256 令牌）：通过填充保留宽高比，处理复杂布局。推荐用于合同、详细报告以及布局重要的文档。
大模式（1280×1280，400 令牌）：为高分辨率详细文档提供最高质量。最适合研究论文、包含公式的技术文档以及高质量要求。
动态分辨率模式：
高达模式（n×640×640 + 1×1024×1024，可变令牌）：针对超高分辨率文档的自适应平铺。自动将大图像分割成 2-9 个 640×640 的局部视图，外加一个 1024×1024 的全局视图。对于报纸、杂志和复杂的多栏布局至关重要。对于小于 640×640 的图像，它会自动降级为基础模式。
访问 DeepSeek-OCR API
Novita AI 为 DeepSeek-OCR 提供了一个简单的 REST API。首先要注册 Novita AI 账户并获取 API 密钥。API 端点接受图像 URL 或 base64 编码的图像，同时还能配置分辨率模式、语言偏好和输出格式等参数。
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="<您的 API 密钥>",
)
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 这张图片。"
}
]
}
],
stream=False,
max_tokens=4096
)
content = response.choices[0].message.content
print(content)
基本使用模式
对于格式无关的简单文本提取，使用“自由 OCR”模式。对于需要保留布局、表格和格式的结构化文档解析，使用带有 Markdown 输出的“定位”模式。对于图表、公式或几何图形的高级解析，使用“解析图形”提示。
分辨率指南
选择合适的模式
发票、收据和简单表格：小模式（100 令牌）是最佳选择。它快速、经济高效，并且能为结构化数据提取提供足够的准确率。这涵盖了大多数常规的商业文档处理需求。
商业文档、报告和合同：基础模式（256 令牌）能很好地处理复杂布局，并通过填充保留宽高比。当文档结构和格式很重要时，这是正确的平衡点。
研究论文和技术文档：大模式（400 令牌）为密集文本、数学公式和技术图表提供了所需的准确率。考虑到精度要求，更高的令牌数也是合理的。
报纸、杂志和多栏布局：高达模式（可变令牌）至关重要。它的自适应平铺处理超高分辨率和复杂的多栏布局，这些在固定分辨率模式下会被打乱。虽然它使用了更多令牌，但仍比传统方法高效得多。
按文档类型的性能洞察
基于全面的 OmniDocBench 测试：
幻灯片和简单文档：即使是极小模式（64 令牌）在幻灯片上也表现相当不错，编辑距离为 0.116，而小模式提供了最佳价值。这是因为演示幻灯片通常布局清晰，每页文本有限。
书籍和标准文档：小模式（100 令牌）在书籍上的编辑距离为 0.085，提供了极佳的价值。大多数书籍每页包含 600-1,000 个文本令牌，正好在 10 倍压缩的最佳范围内。
学术论文：建议使用大模式或高达模式，高达模式在学术论文上实现了 0.039 的编辑距离——超越了使用 5-8 倍令牌的模型。
报纸：高达模式必不可少，它实现了 0.122 的编辑距离，而极小模式为 0.940。报纸每页包含 4,000-5,000 个文本令牌，并具有复杂的多栏布局，需要自适应平铺方法。
公式密集型文档：对于包含数学公式的文档，高达-M 模式表现最佳，英文公式编辑距离为 0.242，与专门的超大模型相当。
详细理解高达模式
高达模式通过创建多个局部视图（2-9 个 640×640 的图块）捕捉详细区域，外加一个全局视图（1024×1024）保持整体上下文。总令牌数按 n×100 + 256 计算，其中 n 是图块数量。
何时使用高达模式：当图像在任何维度上大于 1280 像素、文档具有多栏布局、内容包含 4,000+ 文本令牌，或需要同时关注细节和上下文的复杂信息图时使用。
实际例子：一张小报纸可能使用 3 个图块（总共 556 个令牌），而一张大报纸使用 6 个图块（856 个令牌）。相比之下，传统方法需要 6,000+ 个令牌——即使在最复杂的文档上，你依然能实现 7-10 倍的压缩。
结论
Novita AI 上的 DeepSeek-OCR 实现了 10 倍压缩，准确率 97%，将文档处理成本降低高达 85%，同时支持 100 种语言，每块 GPU 每天可处理 200,000 页以上。
结果不言自明： 每月处理 10 万份文档的公司每年节省超过 5 万美元。处理速度提升 5-10 倍。基础设施线性扩展，而非指数级增长。
准备好转变你的文档处理方式了吗？
几分钟内即可用你自己的文档测试 DeepSeek-OCR。无需信用卡。从五种分辨率模式中选择，处理 100 种语言的文档，亲身体验 10 倍压缩。
Novita AI 是一个领先的 AI 云平台，为开发者提供易用的 API 以及经济、可靠的 GPU 基础设施，用于构建和扩展 AI 应用。
