北京
10月20日消息，人工智能团队DeepSeek AI正式发布全新多模态模型 DeepSeek-OCR。
这款模型以 “探索视觉 - 文本压缩边界” 为核心目标，从大语言模型（LLM）视角重新定义视觉编码器的功能定位，为文档识别、图像转文本等高频场景提供了兼顾精度与效率的全新解决方案，引发技术领域与行业应用端的广泛关注。
DeepSeek-OCR采用分层设计的视觉编码方案，支持Tiny、Small、Base、Large、Gundam五种尺寸配置，可根据不同硬件条件与场景需求灵活选择。
其中 Gundam 版本特别针对大尺寸复杂文档优化，采用 1024×640 混合尺寸配置及专属裁剪模式，能更精准处理多栏排版、图文混杂的专业文档。
值得关注的是，模型创新性融合了SAM（Segment Anything Model）的图像分割能力与 CLIP 的视觉理解能力，并通过 MlpProjector 模块实现与语言模型的高效对接，这一设计不仅让模型能精准提取文本内容，还能同步捕捉文字、表格、图像在原图中的空间布局信息，为后续结构化输出提供关键支撑，解决了传统 OCR“只认文字、不识布局” 的痛点。
在实际功能层面，DeepSeek-OCR 展现出极强的多场景适应性：
既支持单张图像、PDF 文档的单次处理，也能应对批量图像的高效识别，且所有输出结果均支持 Markdown 格式，方便用户直接编辑或导入其他办公软件；
同时，模型内置边界框检测功能，可精准定位文本块、表格、插图在原图中的位置，结合动态裁剪策略，能根据图像尺寸自动调整处理逻辑，在保证识别精度的同时大幅提升处理速度。
此外，模型还集成vllm框架实现高效推理，支持多任务并发处理，即便面对大规模文档处理需求，也能保持稳定的响应效率，尤其适合学术论文、企业报表、个人简历等复杂文档的数字化转化场景。
为降低开发者与企业用户的使用门槛，DeepSeek-OCR提供了全链路的工具链支持：
模型已完整开源至Hugging Face Hub，用户可直接通过transformers库加载使用；官方同步发布了详细的参数配置指南，明确不同硬件环境下的最优模型规格选择建议；
同时配套开发了 PDF 转图像、批量处理脚本、结果可视化工具等辅助功能，即便是非专业技术人员也能快速上手。
从示例代码来看，仅需数行代码即可完成从模型加载到结果输出的全流程，例如通过调用 AutoModel 与 AutoTokenizer 接口，输入图像文件与 “转换文档为 Markdown” 的提示词，就能快速得到结构化文本结果，极大简化了应用开发流程，且模型支持零样本推理，无需额外微调即可应对多数通用文档场景。
据DeepSeek AI团队介绍，DeepSeek-OCR于2025年正式对外发布。
目前，感兴趣的开发者可通过DeepSeek-OCR的 GitHub仓库获取详细信息，或加入官方 Discord 社区参与技术讨论，随着后续迭代优化，这款模型有望在文档智能处理领域拓展出更广阔的应用空间。（转自AI普瑞斯）
更多AI资讯请点击：http://www.aipress.com.cn/
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
