DeepSeek OCR - AI 驱动的文字提取
全球首个基于 DeepSeek 视觉语言模型的在线 OCR 工具。97% 准确率，超低 Token 消耗。轻松将文档转换为 Markdown、提取图片文字、解析复杂布局。
Experience DeepSeek OCR Live
Upload your images and see how DeepSeek OCR performs in real-time
💡 Tip: This demo is powered by Hugging Face Spaces. Try uploading different types of images to see the OCR capabilities.
业界领先的 OCR 性能
DeepSeek OCR 通过前沿的视觉语言技术，提供卓越的准确性和效率
准确率
97%
文字提取准确率，可恢复 600-1000+ 个 token
Token 效率
100
每页仅需 100 tokens（GOT-OCR2.0 需 256 tokens）
处理速度
20万+
单张 A100-40G GPU 每天可处理页数
革命性的视觉压缩技术
DeepSeek OCR 首创将视觉作为长上下文压缩介质，实现 10× 无损压缩和 20× 可用压缩比
- 视觉即压缩首次系统性证明视觉模态可作为文本压缩介质 - 仅用 64-100 个视觉 tokens 即可恢复 600-1000+ 个文本 tokens
- 定制视觉编码器DeepEncoder 结合窗口注意力 + 全局注意力 + 16× 压缩结构，专为光学压缩而非视觉理解优化
- 生产就绪不仅是研究成果 - 即插即用的生产级模型，内置多语言支持、图表解析和公式识别
如何使用 DeepSeek OCR
三种方式使用 DeepSeek OCR - 选择最适合您工作流程的方式
在线工具（即将推出）
上传图片或 PDF，即时获取 OCR 结果。无需安装。免费额度：10 次转换/天。
Python API（Transformers）
通过 pip 安装，加载模型，调用 infer() 方法。适合简单脚本和原型开发。支持 CUDA 加速。
vLLM 批处理
高性能批处理，A100-40G 上可达 ~2500 tokens/s。适合生产工作负载和大规模文档处理。
自托管部署
部署到您自己的基础设施，最大化隐私和控制。支持 Docker、Kubernetes 和云平台。
为什么选择 DeepSeek OCR？
基于前沿研究，为实际应用场景提供切实优势
全面的 OCR 功能
从简单的文字提取到复杂的文档解析 - DeepSeek OCR 应有尽有
文档转 Markdown
将文档转换为结构化 Markdown，保留布局、表格和格式。适合内容迁移和文档编写。
多语言支持
内置多语言高精度识别。支持处理英语、中文、日语等多种语言文档。
图表解析
从图表、图示和插图中提取数据。理解视觉元素，不仅仅是文字提取。
公式识别
解析数学公式、化学方程式和几何符号。适合学术和科研文档。
多分辨率模式
Tiny（64 tokens）、Small（100 tokens）、Base（256 tokens）、Large（400 tokens）和 Gundam 模式适配复杂文档。
API 和 CLI 支持
通过 Python API 集成，使用 vLLM 进行高性能批处理，或尝试我们的在线工具快速完成任务。
简单透明的价格
免费开始，需要更多时再升级。无隐藏费用。
免费版
适合试用 DeepSeek OCR 和小型项目
- 每天 10 次转换
- 所有分辨率模式（Tiny 到 Large）
- 基础 OCR + 文档转 Markdown
- 通过 GitHub 获得社区支持
专业版
适合有更高需求的专业人士和团队
- 无限次转换
- Gundam 模式（复杂文档）
- API 访问（更高速率限制）
- 优先支持
- 高级功能（批处理、Webhooks）
常见问题解答
关于 DeepSeek OCR 您需要知道的一切 - 基于官方文档和实际集成经验
DeepSeek OCR 与 Tesseract 和 PaddleOCR 相比如何？
DeepSeek OCR 使用视觉语言模型（VLM）进行上下文感知 OCR，而 Tesseract 和 PaddleOCR 是传统的模式匹配引擎。主要区别：(1) 准确率：DeepSeek 在复杂布局（表格、公式、多语言混合）上表现出色，97% 准确率 vs Tesseract 在复杂文档上约 85%。(2) Token 效率：100 tokens/页 vs PaddleOCR 更高的处理开销。(3) 硬件：需要 GPU（8GB+ 显存）vs Tesseract 仅需 CPU。(4) 上下文理解：可使用周围文本上下文纠正 OCR 错误。从我在飞书集成 DeepSeek 模型的经验看，对于生产级文档处理，VLM-based OCR 值得投入 GPU 成本。
分辨率模式（Tiny、Small、Base、Large、Gundam）有什么区别？
分辨率模式在 token 消耗和准确率之间平衡：Tiny（512×512，64 tokens）- 简单收据/笔记，文字清晰；Small（640×640，100 tokens）- 标准文档，大多数场景推荐；Base（1024×1024，256 tokens）- 包含表格/图表的复杂布局；Large（1280×1280，400 tokens）- 高分辨率扫描文档；Gundam（动态 n×640×640 + 1×1024×1024）- 密集公式和插图的学术论文。实用建议：从 Small 模式开始，只有在准确率低于要求时才升级。这样可以显著节省 API 成本而不牺牲质量。
DeepSeek OCR 真的是免费和开源的吗？
是的，100% 开源！3B 参数模型在 GitHub (https://github.com/deepseek-ai/DeepSeek-OCR) 和 Hugging Face 上提供，采用宽松许可。您可以：(1) 在自己的基础设施上自托管（无 API 成本），(2) 根据特定需求修改模型，(3) 无许可费商业使用。本网站的在线工具提供免费额度（10 次转换/天）用于快速任务。对于生产使用，建议使用 vLLM 自托管以实现最大成本效益（云 GPU 上约 $0.001/页 vs 商业 OCR API 的 $0.01-0.05/页）。
自托管的硬件要求是什么？
GPU 要求：最低：8GB 显存（RTX 3070、RTX 4060 Ti）用于基本推理，约 5-10 页/分钟。推荐：16GB+ 显存（RTX 4090、A100-40G）用于生产环境，约 100-200 页/分钟。企业级：多 GPU 配置（2-4× A100）处理 20 万+ 页/天。软件：CUDA 11.8+、PyTorch 2.6.0、vLLM 0.8.5+ 以获得最佳吞吐量。CPU 推理可行但慢 50-100 倍（不推荐）。云选项：AWS（p3/p4 实例）、GCP（A100 VM）、Azure（NCv3 系列）。从实践经验看，单张 RTX 4090 可经济高效地处理大多数中小型工作负载。