国产a一级毛片爽爽影院_欧美日韩亚洲中字二区在线播放_国产在线每日都有更新_日韩中文字幕tv在线看_日韩美女婬乱大片A级网站_韩国无遮免费羞羞漫画_久久亚洲精品无码播放偷妻_国产成人777爽视频_色噜噜狠狠成人中文综合18_国产精品免费高清在线观看

OCR技術(shù)的演進(jìn)，正在從“識別能力”走向“壓縮效率”。本文深度解析DeepSeek-OCR如何通過上下文光學(xué)壓縮實現(xiàn)SOTA級性能，以更少的視覺Token完成更精準(zhǔn)的識別任務(wù)，重塑AI文檔解析的工程范式，為產(chǎn)品人和技術(shù)團(tuán)隊提供一套可部署、可擴(kuò)展的智能入口。

今天，DeepSeek開源了最新的模型：DeepSeek-OCR。

省流：模型僅3B，單張A100-40G卡每天可跑20萬頁的LLM/VLM訓(xùn)練數(shù)據(jù)。

更詳細(xì)來說：DeepSeek提出了一種新的研究——上下文光學(xué)壓縮，并通過DeepSeek-OCR模型驗證了可行性。實驗顯示，當(dāng)文本token數(shù)量不超過視覺token的10倍（壓縮比低于10×）時，模型的OCR精度可達(dá)97%；即便壓縮比提高到20×，準(zhǔn)確率仍保持約60%。

小學(xué)生的理解就是，壓得輕一點，它幾乎全認(rèn)對；壓得狠一點，也能認(rèn)得七七八八。

在專門的文檔解析評測基準(zhǔn)OmniDocBench上，DeepSeek-OCR只使用100個視覺Token就超越了GOT?OCR2.0（每頁256個Token）， 并在使用不到800個視覺Token的情況下優(yōu)于MinerU2.0（平均每頁6000+個Token）。

比其他模型更省token，精度還更高。

這個模型，有著超高的實用價值。

先看示例

下面幾則示例，均來自DeepSeek技術(shù)論文里的case。

比如，這是某電子書的一頁。原圖片，是比較糊的。

模型先進(jìn)行markdown識別，把整頁文字大概識別出來。

這個過程中，必然會有字母丟失或識別不準(zhǔn)的情況。然后，模型啟動深度的語法解析過程，自動推理、糾錯。

最后，得到了一個更精準(zhǔn)的結(jié)果。

整個工作過程，長這樣。

可以識別作業(yè)題，包括幾何圖形也能識別。

帶各種數(shù)據(jù)圖表的金融研究報告，也能準(zhǔn)確識別。

也包括一些來自現(xiàn)實生活中的圖片，無論拍攝角度、字形、字體發(fā)生什么變化，都能精準(zhǔn)識別。

對于PDF文檔，DeepSeek?OCR可以處理近100種語言，支持布局和非布局OCR格式。

區(qū)別于其他OCR模型，DeepSeek?OCR還具備“深度解析”的能力。

通過二次模型調(diào)用（需要配備提示詞），可以對圖表、幾何圖形、化學(xué)公式以及現(xiàn)實中的圖片進(jìn)行深度解析、推理。

更多場景

OCR模型，可以把“死圖片”秒變“活數(shù)據(jù)”，讓機(jī)器和人都能直接“抄對作業(yè)”。

比如：

• 紙質(zhì)檔案電子化。政府、銀行、醫(yī)院堆成山的紙質(zhì)卷宗，OCR一跑就能生成可搜索、可復(fù)制的企業(yè)知識庫，檢索1秒vs人工翻10分鐘。
• 實時證件識別。機(jī)場、酒店、網(wǎng)吧刷身份證/護(hù)照，OCR1秒讀出姓名、號碼、有效期，自動填表＋公安聯(lián)網(wǎng)核驗，排隊時間砍半。
• 法律/知識產(chǎn)權(quán)檢索。判決書、專利說明書OCR后全所可搜，律師輸入“先履行抗辯權(quán)”秒級定位5年內(nèi)的相關(guān)案例，準(zhǔn)備材料時間從3天縮到1小時。
• 風(fēng)控打假。合同、回執(zhí)、倉單、車牌、集裝箱號，OCR秒抽關(guān)鍵字段，與系統(tǒng)比對，發(fā)現(xiàn)偽造/篡改立刻報警，金融、港口、二手車平臺靠它堵漏洞，一年少虧幾千萬。
• 無障礙閱讀。盲人用手機(jī)掃書，OCR把文字讀出來；視障者“聽”郵件、“聽”藥品說明書，信息差直接抹平。

企業(yè)生產(chǎn)場景中，幾乎沒有哪個場景不與OCR打交道。

優(yōu)秀OCR=省人力、降差錯、提速度、挖數(shù)據(jù)，把“死圖片”變成“任何系統(tǒng)都能直接使用的活數(shù)據(jù)”，是數(shù)字化流程的第一閘口，也是AI落地的“現(xiàn)金?！眻鼍?。

怎么部署

因為是開源的，所以任何企業(yè)都可以進(jìn)行部署。

在github上，DeepSeek提供了快速部署指引。

1）安裝

前提：確保環(huán)境是cuda11.8+torch2.6.0。

1.1 克隆此倉庫并定位到 DeepSeek-OCR 文件夾。git clone https://github.com/deepseek-ai/DeepSeek-OCR.git

1.2 Condaconda create -n deepseek-ocr python=3.12.9 -yconda activate deepseek-ocr

1.3 下載 vllm-0.8.5 pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 –index-urlhttps://download.pytorch.org/whl/cu118pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whlpip install -r requirements.txtpip install flash-attn==2.7.3 –no-build-isolation

2）vLLM推理

前提：更改 DeepSeek-OCR-master/DeepSeek-OCR-vllm/config.py 中的 INPUT_PATH/OUTPUT_PATH 和其他設(shè)置。

2.1 mage: streaming outputpython run_dpsk_ocr_image.py

2.2 pdf: concurrency ~2500tokens/s(an A100-40G)python run_dpsk_ocr_pdf.py

2.3 batch eval for benchmarkspython run_dpsk_ocr_eval_batch.py

3）Transformers推理

Transformersfrom transformers import AutoModel, AutoTokenizerimport torchimport osos.environ[“CUDA_VISIBLE_DEVICES”] = ‘0’model_name = ‘deepseek-ai/DeepSeek-OCR’tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)model = AutoModel.from_pretrained(model_name, _attn_implementation=’flash_attention_2’, trust_remote_code=True, use_safetensors=True)model = model.eval().cuda().to(torch.bfloat16)# prompt = “nFree OCR. “prompt = “n<|grounding|>Convert the document to markdown. “image_file = ‘your_image.jpg’output_path = ‘your/output/dir’res = model.infer(tokenizer, prompt=prompt, image_file=image_file, output_path = output_path, base_size = 1024, image_size = 640, crop_mode=True, save_results = True, test_compress = True)

或者，你也可以cd DeepSeek-OCR-master/DeepSeek-OCR-hfpython run_dpsk_ocr.py

目前，開源模型支持以下模式：

原生分辨率：

• Tiny：512×512（64visiontokens）
• Small：640×640（100visiontokens）
• Base：1024×1024（256visiontokens）
• Large：1280×1280（400visiontokens）

動態(tài)分辨率：

Gundam: n×640×640 + 1×1024×1024

4）提示詞示例：

# document: n<|grounding|>Convert the document to markdown.# other image: n<|grounding|>OCR this image.# without layouts: nFree OCR.# figures in document: nParse the figure.# general: nDescribe this image in detail.# rec: nLocate <|ref|>xxxx<|/ref|> in the image.# ‘先天下之憂而憂’

更多開源信息，可參考：

github：

https://github.com/deepseek-ai/DeepSeek-OCR

huggingface：

https://huggingface.co/deepseek-ai/DeepSeek-OCR寫在最后

目前，業(yè)界OCR普遍有兩大難題：一是精度問題，二是成本問題。

DeepSeek換了個思路，把文字“拍”成圖，讓視覺模型當(dāng)壓縮器：原來上千個文本token才能說完的話，現(xiàn)在幾十個視覺token就裝下，壓縮率直接拉到10×以上。

這套“光學(xué)壓縮”方案落地成DeepSeek-OCR，token用得最少，成績卻刷到SOTA：一頁A4論文，100個視覺token就能原樣吐回1000+文本token，精度97%。

算力直接打一折，成本跟著跳水。更絕的是，模型連權(quán)重一起開源，零門檻白嫖。

把貴的東西做成白菜價，還順手把賬本公開——這操作，很DeepSeek。