DeepSeek-OCR是DeepSeek AI推出的光学字符识别项目，提供高效的文本识别与压缩技术。项目在GitHub开源，支持Hugging Face平台，用户可通过Discord社区交流或关注Twitter获取最新动态。

DeepSeek-OCR 项目介绍

项目概述 DeepSeek-OCR 是由 DeepSeek AI 团队开发的一款视觉文本压缩模型，专注于从大语言模型（LLM）的视角研究视觉编码器的作用。该项目探索了视觉与文本压缩的边界，支持多种文档处理功能。

主要功能 - 支持多种分辨率模式： * 原生分辨率：512×512（64视觉标记）、640×640（100视觉标记）、1024×1024（256视觉标记）、1280×1280（400视觉标记） * 动态分辨率：n×640×640 + 1×1024×1024 - 支持多种文档处理提示： * 文档转Markdown * 图像OCR识别 * 无格式文本提取 * 图表解析 * 图像详细描述 * 特定内容定位

安装与使用 环境要求：CUDA 11.8 + Torch 2.6.0

安装步骤： 1. 克隆仓库 2. 创建conda环境（Python 3.12.9） 3. 安装依赖包（包括vLLM 0.8.5、flash-attn 2.7.3等）

两种推理方式： 1. vLLM推理： - 图像流式输出 - PDF处理（A100-40G显卡约2500tokens/s） - 批量评估

2. Transformers推理：
   • 支持图像文件输入
   • 可设置输出路径和图像尺寸
   • 提供Python API和脚本运行方式

相关资源 - 模型下载：Hugging Face平台 - 论文链接：GitHub仓库提供PDF版本 - 社区支持：Discord、Twitter等平台

致谢 项目参考了Vary、GOT-OCR2.0、MinerU、PaddleOCR等多个开源项目和基准测试集。

注：项目发布时间为2025年（具体日期未定），引用信息即将发布。

（注：原文中的图片链接、具体代码示例和部分技术细节已简化处理，保留了核心功能和使用方法介绍）

以下是评论内容的总结：

1. 与传统OCR的比较

   • 有评论认为该工具在处理复杂排版（如旧杂志）时表现优于传统OCR，能准确识别分栏和图像。
     "traditional OCR gives you a bit of a mess... but this looks like it can properly identify columns"
   • 也有人质疑其生产环境适用性，认为专业API可能更优。
     "if one is building a modern application... there are better APIs available"

2. 技术亮点

   • 论文提出的视觉-文本压缩技术（10倍压缩近乎无损）引发讨论。
     "achieves near-lossless OCR compression at approximately 10× ratios"
   • 模型命名中的"高达(Gundam)"彩蛋被注意到。
     "interesting how they use 'Gundam' in their variant names"

3. 开源与竞品

   • MIT许可证的开源属性受好评。
     "It's MIT licensed"
   • 用户将其与Azure/Google的商用OCR服务对比，并提及未开源的dots-ocr模型。
     "how does this compare to Azure AI Document Intelligence"

4. 使用疑问

   • 中文例句"先天下之忧而忧"的翻译差异引发文化讨论。
     "Google translated this to 'Worry about the world first'"
   • 有用户直接询问工具功能。
     "what does it do?"

（注：所有评论均无评分数据，故未标注认可度）