摘要：DeepSeek 最近发布了《DeepSeek-OCR：基于视觉压缩的大模型长上下文增强方案》这篇论文，同步开源了模型文件。

大家好，我是 Ai 学习的老章

DeepSeek-OCR

DeepSeek 最近发布了《DeepSeek-OCR：基于视觉压缩的大模型长上下文增强方案》这篇论文，同步开源了模型文件。

最近一段时间好像是迎来了 OCR 的黄金时代，百度的 PaddleOCR-VL、阿里 Qwen3-VL、小红书的 dots-ocr、Nanonets-OCR2 等等。

更早之前我也测试过一些，阅读不佳就没再继续

论文上看，DeepSeek-OCR有两个核心，一个是纯粹的 OCR，这是本文测试的重点。

另一个就是上下文光学压缩（Contexts Optical Compression），解决了大模型在长上下文处理上的算力瓶颈。这玩意我是看不太懂，只看到市面上几乎全部文章吹捧。

再回到 OCR 方面，DeepSeek-OCR 表现不俗：

压缩比 ≤10 倍时，准确率 >95%，几乎无损。

ICDAR 2023 数据集：10 倍压缩下准确率 97.3%，速度 8.2 页/秒，显存仅 4.5GB。

对比 MinerU2.0（6000+ tokens/页，1.5 页/秒，12.8GB 显存），优势明显。

财报：286 页年报，表格还原率 95.7%，耗时 4 分钟（

论文：公式识别率 92.1%，LaTeX 可直接使用。

合同：批注关联率 89.5%，比 Tesseract 高 27%。

我没有本地部署，直接使用了 HF 上一个 Space，应该是用的 Gradio 开发的

测试样例取自我之前这篇文章：

文中我测试几个大模型（Kimi、Qwen-3-235B-A22B、Claude-3.7-sonnet、GPT-4.1、Gemini 2.5 Pro）在 latex 公式识别中的表现，测试从带公式的图片中识别出公式代码，有两个手写公式识别，难度不小。当时 DeepSeek 不是多模态，没有参与对比，本文刚好补上。

例 1:中高难度，模糊手写，数字是欧洲写法，比如 7 中间加了一横，其中有一个 8 写的极像 6

之前我测试只有 Gemini 2.5 Pro 可以完成任务，DeepSeek-OCR 犯了和其他模型一样的问题，其中一个模糊的 8 识别成了 6。

另外这个工具有一段奇怪的字符串

删掉之后就正常了，后面几个，为了展示方便，我都删了

百度Paddle也没完成，8识别成了6.

例 2:简单点，印刷版，可以完成任务，这个太简单了，其他模型也都可以胜任

例 3:上难度，多个复杂公式一次识别

还行，有瑕疵，中间有奇怪符号，而且没有换行

百度完成的就很好

DeepSeek-OCR 完成的不错

例 5:最高难度，模糊手写，公式混在文本中，横线与笔记本自带的线混在一起

这个只有 Gemini 2.5 Pro 成功识别的题目，DeepSeek- OCR 完成的很一般

DeepSeek- OCR 没有把表头识别好

百度 paddle 就很 OK

中间很多我没有同时让百度表现，因为也是用了 HF 的 Space，很不稳定

总结看DeepSeek-OCR 确实很优秀，但是绝不是 SOTA 级别

补充说明，不是 DeepSeek-OCR 不好，它有我无法理解的伟大创新。单 OCR 这一块，单这几个实例，它确实不如百度 PaddleOCR-VL 这个 0.9B 的小模型。

此外，我还测试了一文中提到的 API，调用 DeepSeek-OCR 把 PDF 转 Markdown。

速度极快，22 页，一分钟不到。返回的是 json 格式，正文部分大量\n 预览起来很费劲，简单看，它没有去理解配图，其他都还行。

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！

来源：小盒科技观察