2025年10月20日上午，DeepSeek-AI团队发布《DeepSeek-OCR:Contexts Optical Compression》论文，开源了OCR新模型DeepSeek-OCR。该模型可通过少量视觉token解码出10倍以上的文本信息，为大语言模型处理长文档提供了全新解决方案。
编码器DeepEncoder参数量约为3.8亿，主要由串联连接的SAM-base和CLIP-large构成。前者使用窗口注意力，专注于提取局部细节，后者采用密集全局注意力，可识别整体内容。两者之间是一个2层卷积模块，对视觉token进行16×下采样。该编码器能将输入图像划分为patch token，并通过压缩模块减少token数量，还支持原生分辨率和动态分辨率等多种分辨率模式，以应对不同输入需求。
解码器DeepSeek-3B-MoE推理时激活6个路由专家和2个共享专家，约5.7亿参数。它可根据图像token和提示信息，将压缩后的视觉特征还原为文本信息。
在Fox基准测试中，10×压缩比内，模型解码精度可达约97%；压缩比接近20×时，模型精度仍可维持在60%左右。在OmniDocBench基准测试中，仅用100个视觉token即超越GOT-OCR2.0（每页256token）；以少于800个视觉token的表现，优于MinerU2.0（平均每页6000+token）。
在实际生产中，可在单块A100-40G显卡上每天生成超过20万页的大语言模型/视觉语言模型训练数据。
