DeepSeek-OCR 光学压缩模型

是什么

DeepSeek-OCR 是一个开源的文字识别（OCR）模型，2025 年 10 月 20 日以 MIT 许可证发布，论文于 10 月 21 日上传到 arXiv。^[1][2] Hugging Face 的模型卡把它记为 3B 参数、BF16 精度。^[3] 让它不只是一个识别工具的是它要验证的问题：论文把主题定为「上下文光学压缩」（contexts optical compression），也就是把长文本渲染成二维图像，让模型用远少于原文的视觉词元（vision token）把文字读回来。^[2]

换句话说，文档识别在这里是一个可测量的试验场景。背后的问题更一般：一页文字能不能以图片的形式被存储和处理，而这张图片又能不能比等量的文本词元小得多。

怎么工作

模型由两部分组成：一个 DeepEncoder 视觉编码器，和一个 DeepSeek3B-MoE-A570M 解码器——后者是混合专家（mixture-of-experts）结构，约 3B 参数，其中 570M 被激活。^[2] 编码器把页面图像压成少量视觉词元，解码器再把文字写出来。

每页值多少视觉词元由使用者选择。原生分辨率模式有四种：Tiny 512×512 对应 64 个视觉词元，Small 640×640 对应 100 个，Base 1024×1024 对应 256 个，Large 1280×1280 对应 400 个；此外还有一个会切分图片的动态「Gundam」模式。^[1] 在模型卡给出的用法代码里，Gundam 预设使用 base_size 1024、image_size 640 并开启 crop_mode，是其中唯一打开裁剪的预设。^[3]

真正关键的数字是压缩比，即每个视觉词元承载多少文本词元。10 倍压缩意味着一页图里含有的文字量是其视觉词元数的十倍，其余部分要靠模型从图像中推断出来。

效果

论文给出了解码精度随压缩比下降的方式：当文本词元数在视觉词元数的 10 倍以内时，OCR 解码精度约 97%；到 20 倍压缩时约 60%。^[2] 这条曲线正是论证的核心——视觉词元不是免费的，但在精度明显变差之前，少量视觉词元能承载相当多的文字。

在 OmniDocBench 上，它只用了 100 个视觉词元，就超过了每页用 256 个词元的 GOT-OCR2.0；用不到 800 个词元，就超过了每页用超过 6,000 个词元的 MinerU2.0。^[2] 在模型卡的记录中，它的 olmOCR-bench 总分为 75.7，在 PaddlePaddle Real5-OmniDocBench 数据集上的总分为 73.99。^[3]

除基准测试之外，论文还描述了生产环境中的一种用法：在单张 A100-40G 显卡上，每天可以生成超过 20 万页训练数据。^[2] 在这个量级上，文档图像才成为训练其他模型时可用的文本来源，而不只是一个演示。

发布之后

除了以 MIT 许可证在 GitHub 上发布之外，^[1] 该模型从 2025 年 10 月 23 日起获得上游 vLLM 的官方支持，^[1] 因而可以用许多团队已经在用的推理框架来部署。后继版本 DeepSeek-OCR 2 于 2026 年 1 月 27 日公开。^[1]

把这些放在一起看，这个模型输出的是文字，但留下的主要是一组测量：一个视觉词元能装下多少文本，以及在什么位置重建开始失真。把 OCR 当作光学压缩问题来处理，既给出了回答这个问题的清晰方式，也给出了实际使用时在词元数量与保真度之间取舍的依据。