DeepSeek-OCR

Модель DeepSeek-OCR представляет собой уникальный мультимодальный визуально-языковой трансформер, с 570 млн активных параметров во время инференса, разработанный для эффективного оптического сжатия длинных контекстов текста в визуальных токенах. Ключевая инновация DeepSeek-OCR лежит в понимании, что изображение, содержащее текст документа, может представлять информацию существенно меньшим количеством токенов, чем эквивалентный цифровой текст. Архитектурно DeepSeek-OCR состоит из двух основных компонентов: DeepEncoder и DeepSeek3B-MoE-декодера. DeepEncoder обрабатывает изображения, создания сжатое визуальное представления текста. Декодер DeepSeek-OCR (на базе DeepSeek VL2) восстанавливает из визуальных токенов исходный текст и структурированную информацию. Такое новый подход позволяет модели сохранять более высокое качество, чем у более крупных моделей при своем небольшом размере и минимальных вычислительных затратах даже при использовании full attention внимания.

DeepSeek-OCR выгодно отличается от других современных мультимодальных моделей тем, что достигает нужного качества OCR при в 2–10 раз меньшем числе токенов, что существенно ускоряет и упрощает обработку объёмных текстовых документов или же потока однотипных документов. В бенчмарках DeepSeek-OCR демонстрирует выдающиеся результаты. На В Fox 21 benchmark достигается точность декодирования около 97% при сжатии текста визуальными токенами с коэффициентом 10, что превосходит многие современные OCR и OCR+визуал-текстовые модели. На OmniDocBench DeepSeek-OCR занимает лидирующие позиции, он использует лишь около 100 токенов для изображений в разрешении 640×640, при этом сохраняя точность распознавания и парсинга сложных структур: формул, таблиц, графиков и т. д. В некоторых категориях документов (например, презентации) модели требуется менее 64 визуальных токенов для качественного распознавания.

Модель адаптивна и поддерживает несколько режимов работы (Tiny, Small, Base, Large, Gundam) для разных типов документов. Она идеально подходит для масштабных проектов по оцифровке сканированной текстовой информации, распознавания многоязычных PDF (с поддержкой около 100 языков), а также рендеринга и структурного парсинга документов с таблицами, формулами, графиками и естественными изображениями. Разработчики рекомендуют DeepSeek-OCR для работы с историческими архивами, документов с длинным контекстом, автоматизации финансовых процессов.

Дата анонса: 20.10.2025
Параметров: 3B
Экспертов: 64
Активно параметров при инференсе: 0.57B
Контекст: 9K
Слоев: 12
Тип внимания: Full Attention
Потребление памяти: 5.2 ГБ в точности 4 бит
Разработчик: DeepSeek
Версия Transformers: 4.46.3
Лицензия: MIT

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с DeepSeek-OCR. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям nn@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.