DeepSeek-OCR 透過將圖片作為文字的壓縮儲存媒介，實現 10 倍文字壓縮與 97% 準確率。傳統方式需要個別處理 1,000 個文字權杖（token），而它僅用 100 個視覺權杖即可將相同內容作為單張圖片處理，最多可降低 85% 的成本。
現在已上線 Novita AI，DeepSeek-OCR 單張 GPU 每日可處理 超過 20 萬頁文件，支援 100 種語言，並提供五種解析度模式（權杖數從 64 到 400+ 不等）。它超越了傳統 OCR 的功能，可將圖表解析為結構化數據、辨識化學公式、提取幾何圖形，並支援長對話的創新記憶體管理。
什麼是 DeepSeek-OCR？
DeepSeek-OCR 是一款視覺語言模型，將圖片作為文字的壓縮儲存媒介。傳統方式個別處理含有 1,000 個文字權杖的文件運算成本極高，而該模型僅用 100 個視覺權杖即可將文件作為單張圖片處理，實現處理成本 降低 10 倍。
核心架構
該模型由兩個核心元件組成：
DeepEncoder（約 3.8 億個參數）：這是一款專用視覺編碼器，採用獨特的串行架構高效處理文件圖片，結合了窗口注意力機制（SAM）與全局注意力機制（CLIP），兩者之間設有 16 倍壓縮層。
DeepSeek3B-MoE 解碼器（5,700 萬個活躍參數）：這是一款緊湊的混合專家語言模型，能將壓縮後的視覺資訊以極高準確率轉換回文字。
這項架構實現了前所未有的文件處理效率，非常適合處理大量文件的企業，或需要長上下文理解能力的應用場景。
為什麼光學壓縮至關重要
傳統方案的痛點
AI 模型的傳統文字處理成本呈二次曲線增長——文件長度翻倍，成本就會翻四倍。對於每日處理數千份文件的企業而言，這種成本幾乎難以承受。
DeepSeek-OCR 的解決方案
長度在 1,000 個文字權杖以內的文件，可實現 10 倍壓縮且保持 97% 的準確率。即使壓縮倍率達到 20 倍，準確率仍能維持在 60% 左右，足以滿足多數應用場景的需求。
實際案例：
一份含有 900 個文字權杖的文件，傳統方式需要消耗 900 個權杖來處理。使用 DeepSeek-OCR 的小型模式（100 個視覺權杖）時，可實現 9.7 倍壓縮，準確率達 96.8%。而對於含有 1,100 個文字權杖的文件，則可實現 10.6 倍壓縮，準確率達 91.5%。
商業價值
降低 API 成本：一般文件處理所需的權杖數量最多可減少 10 倍，意味著可大幅節省成本——每月處理 100 萬頁文件的企業，每年可節省超過 5 萬美元。
更快的處理速度：權杖數量減少直接對應更短的回應時間，提升使用者體驗，並支援即時應用場景。
更優的擴展性：以相同的基礎設施投入即可處理 10 倍數量的文件，讓業務成長更具預測性、成本更低。
更高的記憶體效率：可將對話歷史記錄以壓縮圖片的形式儲存，實現超長上下文應用，且不會產生指數級增長的記憶體需求。
效能與基準測試
綜合 OmniDocBench 測試結果
在綜合文件解析基準測試 OmniDocBench 中，DeepSeek-OCR 以極低的資源消耗實現了卓越效能。下表展示了不同文件類型與語言的詳細對比（編輯距離越低越好）：
重點摘要：
管線式模型（傳統多階段方案）：表現最佳的管線式模型 PPstructure-v3，英文整體得分為 0.152，中文為 0.223，但需要複雜的多模型基礎設施支援。
端到端模型（單模型方案）：競爭對手中，使用 6,790 個權杖的 MinerU2.0 英文得分為 0.133，中文為 0.238；使用 3,949 個權杖的 Qwen2.5-VL-72B 英文得分為 0.214，中文得分為 0.261。
DeepSeek-OCR 效能表現：
- 小型模式（100 個權杖）：英文整體得分 0.221，中文整體得分 0.284
- 基礎模式（256 個權杖）：英文整體得分 0.137，中文整體得分 0.240
- Gundam 模式（795 個權杖）：英文整體得分 0.127，中文整體得分 0.181
- 200dpi 下的 Gundam-M 模式（1,853 個權杖）：英文整體得分 0.123，中文整體得分 0.157——達到業界領先水準
卓越成就：DeepSeek-OCR 的基礎模式僅使用 256 個權杖，表現卻優於使用 15-26 倍權杖的其他模型。Gundam-M 模式則在所有端到端模型中實現了最佳整體效能，且使用的權杖數量仍遠少於傳統方案。
分類別效能表現
文字辨識：DeepSeek-OCR（Gundam-M 模式）英文文字辨識得分達 0.049，中文達 0.087，表現甚至優於 Gemini2.5-Pro。
公式辨識：英文公式辨識得分達 0.242，中文達 0.377，展現了 DeepSeek-OCR 在數學內容處理上的強勁能力。
表格提取：英文表格提取得分達 0.147，中文達 0.08，展現了其穩健的結構化數據提取能力。
生產環境能力
處理速度：單張 A100-40G GPU 每日可處理超過 20 萬頁文件。擴展至 20 個節點（共 160 張 GPU）時，每日可處理 3,300 萬頁文件，足以應對最嚴峻的企業工作量需求。
成本效益：對於每月處理 100 萬頁文件的企業而言，差異極為明顯。傳統模型每頁需要 6,000 個權杖，總共消耗 60 億個權杖；而 DeepSeek-OCR 每頁僅需 800 個權杖，總共僅消耗 8 億個權杖，權杖使用量與相關成本 降低 87%。
核心功能與特性
1. 多語言支援
DeepSeek-OCR 支援將近 100 種語言，涵蓋全球主要語言（英語、中文、西班牙語、阿拉伯語、印地語）以及特殊文字系統（泰語、希伯來語、西里爾字母等）。這無需再使用針對特定語言的 OCR 服務，簡化了國際業務的操作流程。
2. 進階文件理解能力
該模型的能力遠不止文字辨識：可將圖表解析為結構化數據、提取帶有 LaTeX 格式的數學公式、識別並輸出 SVG 格式的幾何圖形，還能保留包含合併儲存格與複雜格式的表格結構。
3. 彈性的輸出格式
可選擇純文字提取（速度最快）、保留格式的 Markdown、適用於網頁整合的 HTML，或適用於程式化處理的結構化 JSON。grounding 模式會保留空間對應關係，確保提取的數據維持原文件的結構。
4. 適用於長上下文的光學壓縮
可將對話歷史記錄以壓縮圖片的形式儲存，而非傳統的文字權杖。傳統方式下 10 輪對話會消耗 10,000 個權杖，使用此技術後可壓縮至 1,000 個視覺權杖，以可負擔的成本實現超長上下文視窗的應用場景。
影響：聊天應用程式可維持數百輪對話的上下文，且成本不會呈指數級增長，實現真正的長篇 AI 互動體驗。
在 Novita AI 上快速上手
了解解析度模式
Novita AI 為 DeepSeek-OCR 提供了 五種解析度模式，針對不同使用場景平衡效能、速度與成本。
原生解析度模式：
微型模式（512×512，64 個權杖）：針對速度優先的簡單文件優化，非常適合收據、簡單表單或快速文字提取任務。
小型模式（640×640，100 個權杖）：多數應用場景的最佳選擇，在準確率、速度與成本之間實現最佳平衡，非常適合標準商業文件、發票與報告。
基礎模式（1024×1024，256 個權杖）：透過填充保留長寬比，可處理複雜排版，推薦用於合約、詳細報告或排版重要的文件。
大型模式（1280×1280，400 個權杖）：適用於高解析度詳細文件，能實現最高品質，非常適合學術論文、包含公式的技術文件，或對品質要求極高的場景。
動態解析度模式：
Gundam 模式（n×640×640 + 1×1024×1024，權杖數可變）：針對超高解析度文件的適應性切片技術，會自動將大圖片分割為 2-9 個 640×640 的局部視圖，加上一個 1024×1024 的全局視圖。非常適合報紙、雜誌與複雜的多欄排版文件。對於解析度小於 640×640 的圖片，會自動降級為基礎模式。
存取 DeepSeek-OCR API
Novita AI 為 DeepSeek-OCR 提供了簡易的 REST API。開始使用前，請註冊 Novita AI 帳號並取得您的 API 金鑰。API 端點接受圖片網址或 base64 編碼的圖片，以及解析度模式、語言偏好、輸出格式等配置參數。
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)
基本使用模式
若只需提取文字且不要求保留格式，可使用「Free OCR」模式；若需要保留排版、表格與格式的結構化文件解析，請使用搭配 Markdown 輸出的「grounding」模式；若需要進階解析圖表、公式或幾何圖形，請使用「Parse the figure」提示詞。
解析度選擇指南
選擇適合的模式
發票、收據與簡單表單：小型模式（100 個權杖）是最佳選擇，速度快、成本低，且能提供足夠的結構化數據提取準確率，可滿足多數常規商業文件處理需求。
商業文件、報告與合約：基礎模式（256 個權杖）能良好處理複雜排版，並透過填充保留長寬比，在文件結構與格式重要的場景下能實現最佳平衡。
學術論文與技術文件：大型模式（400 個權杖）能提供密集文字、數學公式與技術圖表所需的準確率，更高的權杖消耗符合精度的要求。
報紙、雜誌與多欄排版文件：Gundam 模式（權杖數可變）是必選方案，其適應性切片技術能處理超高解析度與複雜多欄排版，這類文件在固定解析度模式下會出現排版混亂。雖然它消耗的權杖較多，但效率仍遠高於傳統方案。
不同文件類型的效能分析
基於綜合 OmniDocBench 測試結果：
簡報與簡單文件：即使是微型模式（64 個權杖），在簡報上的編輯距離也僅有 0.116，表現優異；小型模式則性價比最高。這是因為簡報通常排版清晰，每頁文字數量有限。
書籍與標準文件：小型模式（100 個權杖）在書籍處理上的編輯距離為 0.085，性價比極高。多數書籍每頁含有 600-1,000 個文字權杖，正好處於 10 倍壓縮的最佳區間內。
學術論文：推薦使用大型模式或 Gundam 模式，其中 Gundam 模式在學術論文上的編輯距離僅有 0.039，表現優於使用 5-8 倍權杖的其他模型。
報紙：Gundam 模式是必選方案，在報紙處理上的編輯距離為 0.122，遠優於微型模式的 0.940。報紙每頁含有 4,000-5,000 個文字權杖，且排版複雜多欄，需要適應性切片技術才能處理。
包含大量公式的文件：對於包含數學公式的文件，Gundam-M 模式表現最佳，英文公式編輯距離僅有 0.242，與專用大型模型相比毫不遜色。
深入了解 Gundam 模式
Gundam 模式的工作原理是建立多個局部視圖（2-9 個 640×640 的切片）來捕捉細節區域，再加上一個 1024×1024 的全局視圖來保留整體上下文。總權杖數計算方式為 n×100 + 256，其中 n 為切片數量。
Gundam 模式適用場景：當圖片任一維度解析度大於 1280 像素、文件為多欄排版、內容含有 4,000 個以上文字權杖，或需要同時保留細節與上下文的複雜資訊圖表時，請使用此模式。
實際案例：一張小型報紙頁面可能使用 3 個切片（總共 556 個權杖），而大型報紙頁面使用 6 個切片（總共 856 個權杖）。與傳統方案需要 6,000 個以上權杖相比，即使是最複雜的文件，仍能實現 7-10 倍的壓縮率。
總結
Novita AI 上的 DeepSeek-OCR 實現了 10 倍壓縮與 97% 準確率，在支援 100 種語言、單張 GPU 每日可處理超過 20 萬頁文件的同時，最多可降低 85% 的文件處理成本。
成效有目共睹：每月處理 10 萬份文件的企業，每年可節省超過 5 萬美元。處理速度提升 5-10 倍，基礎設施擴展方式從指數級變為線性。
準備好轉型您的文件處理流程了嗎？
幾分鐘內即可使用您自己的文件測試 DeepSeek-OCR，無需提供信用卡。可從五種解析度模式中選擇，支援 100 種語言的文件處理，親身體驗 10 倍壓縮的優勢。
Novita AI 是領先的 AI 雲端平台，為開發者提供易於使用的 API 與高性價比、可靠的 GPU 基礎設施，協助建構與擴展 AI 應用。
