AI I024: DeepSeek-OCR 重磅来袭！彻底解决长文本处理难题，10倍压缩实现97%解码精度，单台A100每天可处理20万页文本。

2025年11月10日星期一

DeepSeek-OCR 重磅来袭！彻底解决长文本处理难题，10倍压缩实现97%解码精度，单台A100每天可处理20万页文本。

添加微信号：AIGC_Tech，公众号小助手会拉你进群！点击下方名片关注AIGC Studio公众号！

添加微信号：AIGC_Tech，公众号小助手会拉你进群！

点击下方名片关注AIGC Studio公众号！获取最新AI前沿应用/AIGC实践教程！

DeepSeek 构建了一个OCR系统，可以将长文本压缩成视觉标记，真正做到将段落转化为像素。模型 DeepSeek-OCR 在 10 倍压缩下可达到 97% 的解码精度，即使在 20 倍压缩下也能保持 60% 的准确率。这意味着一张图像可以用远低于 LLM 所需的标记数量来表示整个文档。比 GOT-OCR2.0 和 MinerU2.0 的性能更胜一筹，同时使用的标记数量最多可减少 60 倍，并且单台 A100 芯片每天可以处理超过 20 万页的内容。这有望解决人工智能面临的最大难题之一：长上下文处理效率低下。模型或许很快就能"看到"文本而不是"读"文本，而无需为更长的文本序列支付更多费用。上下文压缩的未来可能根本不是文本压缩，而是光学压缩。

unsetunset相关链接unsetunset

论文：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
模型：https://huggingface.co/deepseek-ai/DeepSeek-OCR
代码：https://github.com/deepseek-ai/DeepSeek-OCR
官网：https://www.deepseek.com

当前开源模型支持以下几种模式：

原始分辨率：

微型：512×512（64 个vision token）
小号：640×640（100个vision token）
底图：1024×1024（256个vision token）
大尺寸：1280×1280（400个vision token）

动态分辨率

高达：n×640×640 + 1×1024×1024

unsetunset效果展示unsetunset

unsetunset使用教程unsetunset

克隆此存储库并导航至 DeepSeek-OCR 文件夹

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

创建conda环境

conda create -n deepseek-ocr python=3.12.9 -y conda activate deepseek-ocr

下载安装包

下载链接：https://github.com/vllm-project/vllm/releases/tag/v0.8.5

pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118
pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl
pip install -r requirements.txt
pip install flash-attn==2.7.3 --no-build-isolation

unsetunsetvLLM推理unsetunset

修改 DeepSeek-OCR-master/DeepSeek-OCR-vllm/config.py 文件中的 INPUT_PATH/OUTPUT_PATH 和其他设置。

cd DeepSeek-OCR-master/DeepSeek-OCR-vllm

图像：流输出python run_dpsk_ocr_image.py
pdf：并发量约为 2500tokens/s（A100-40G）python run_dpsk_ocr_pdf.py
基准测试的批量评估python run_dpsk_ocr_eval_batch.py

uv venv
source .venv/bin/activate
# Until v0.11.1 release, you need to install vLLM from nightly build
uv pip install -U vllm --pre --extra-index-url https://wheels.vllm.ai/nightly

from vllm import LLM, SamplingParams
from vllm.model_executor.models.deepseek_ocr import NGramPerReqLogitsProcessor
from PIL import Image

# Create model instance
llm = LLM(
    model="deepseek-ai/DeepSeek-OCR",
    enable_prefix_caching=False,
    mm_processor_cache_gb=0,
    logits_processors=[NGramPerReqLogitsProcessor]
)

# Prepare batched input with your image file
image_1 = Image.open("path/to/your/image_1.png").convert("RGB")
image_2 = Image.open("path/to/your/image_2.png").convert("RGB")
prompt = "<image>\nFree OCR."

model_input = [
    {
        "prompt": prompt,
        "multi_modal_data": {"image": image_1}
    },
    {
        "prompt": prompt,
        "multi_modal_data": {"image": image_2}
    }
]

sampling_param = SamplingParams(
            temperature=0.0,
            max_tokens=8192,
            # ngram logit processor args
            extra_args=dict(
                ngram_size=30,
                window_size=90,
                whitelist_token_ids={128821, 128822},  # whitelist: <td>, </td>
            ),
            skip_special_tokens=False,
        )
# Generate output
model_outputs = llm.generate(model_input, sampling_param)

# Print output
for output in model_outputs:
    print(output.outputs[0].text)

unsetunsetTransformer推理unsetunset

在NVIDIA GPU上使用Huggingface Transformer进行推理。测试环境：Python 3.12.9 + CUDA 11.8。

torch==2.6.0
transformers==4.46.3
tokenizers==0.20.3
einops
addict 
easydict
pip install flash-attn==2.7.3 --no-build-isolation


from transformers import AutoModel, AutoTokenizer
import torch
import os
os.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 = "<image>\nFree OCR. "
prompt = "<image>\n<|grounding|>Convert the document to markdown. "
image_file = 'your_image.jpg'
output_path = 'your/output/dir'

# infer(self, tokenizer, prompt='', image_file='', output_path = ' ', base_size = 1024, image_size = 640, crop_mode = True, test_compress = False, save_results = False):

# Tiny: base_size = 512, image_size = 512, crop_mode = False
# Small: base_size = 640, image_size = 640, crop_mode = False
# Base: base_size = 1024, image_size = 1024, crop_mode = False
# Large: base_size = 1280, image_size = 1280, crop_mode = False

# Gundam: base_size = 1024, image_size = 640, crop_mode = True

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)

感谢你看到这里，添加小助手 AIGC_Tech 加入官方 AIGC读者交流群，下方扫码加入 AIGC Studio 星球，获取前沿AI应用、AIGC实践教程、大厂面试经验、AI学习路线以及IT类入门到精通学习资料等，欢迎一起交流学习💗～

AI I024