2025年10月20日，中国AI初创公司DeepSeek正式发布其首个开源多模态模型DeepSeek‑OCR，这一里程碑式推出标志着DeepSeek从纯语言模型向视觉语言融合领域的战略扩展，也为其在全球AI竞赛中赢得更多关注。根据DeepSeek官方GitHub仓库公告，DeepSeek‑OCR是一个3B参数的视觉语言模型（VLM），专为高效光学字符识别（OCR）和长上下文压缩设计，采用MIT许可完全开源，支持文本提取、文档解析和多模态推理。 Wired报道称，这一模型通过视觉模态压缩长序列输入，实现了7‑20倍令牌减少，帮助突破大语言模型（LLM）在处理复杂文档时的上下文限制。
DeepSeek成立于2023年，由量化基金幻化量方基金（High‑Flyer Capital）支持，此前以DeepSeek‑ V3和DeepSeek‑R1等开源低成本模型闻名。2025年1月的DeepSeek‑R1虽为开源推理模型，但仅限文字任务。DeepSeek‑OCR的推出是其首次开源多模态模型，Hugging Face仓库数据显示，发布后下载量迅速攀升。 X用户@DeepSeekAI官方帖表示：“OCR是我们的多模态突破，开放源代码以赋能社区。”帖子获数百点赞，反映了开源社区的初步热情。 截至2025年10月21日，这一模型已推动中国AI在全球开源领域的声誉提升，填补了高效OCR压缩技术的空白。
模型架构与技术细节：DeepEncoder的核心创新
DeepSeek‑OCR的核心是其先进的视觉语言融合架构，总参数规模为3B，通过动态激活机制优化推理效率。官方技术报告解释，该模型分为两个组成部分：DeepEncoder（视觉编码器）和DeepSeek3B‑MoE‑A570M（解码器）。DeepEncoder是核心引擎，设计用于在高分辨率输入下保持低激活内存，同时实现高压缩比率，确保视觉令牌数量最优且可管理。
DeepEncoder的架构创新在于串联窗口注意力（window attention）和全局注意力（global attention）组件，通过16x卷积压缩器连接。这确保窗口注意力处理大量视觉令牌，而压缩器在进入密集全局注意力前减少令牌数量，实现高效内存和令牌压缩。模型支持多种分辨率，包括Tiny (512x512, 64令牌)、Small (640x640, 100令牌)、Base (768x768, 144令牌)、Large (896x896, 196令牌)和Gundam (1024x1024, 256令牌)，允许根据任务灵活选择。 解码器DeepSeek3B‑MoE‑A570M基于混合专家（MoE）机制，激活参数约570M，支持多语言OCR和文档解析。
数据引擎是另一亮点，包括OCR 1.0数据（基础OCR训练）、OCR 2.0数据（高级解析，如图表和化学公式）、通用视觉数据（自然图像理解）和纯文本数据（语言对齐）。训练管道分为两阶段：先预训练DeepEncoder（使用OCR 1.0/2.0和通用视觉数据），然后训练DeepSeek‑OCR（结合文本数据）。训练使用20节点（每个8 A100‑40G GPU），每天生成20万+页数据。 与传统VLM如InternVL2相比，OCR的压缩设计避免了过多视觉令牌，实现了更高效的部署。 开源版本包括权重、代码和训练脚本，托管于Hugging Face，社区可自由微调。
评测结果：压缩效率与OCR性能领先
DeepSeek‑OCR在多项基准测试中表现出色。公司技术报告显示，在Fox基准上，64令牌配置下9‑10x压缩精度96.5%‑97.3%，100令牌下10‑12x压缩达91.5%‑89.8%，20x压缩约59.1%‑64.1%。这一结果证明了视觉压缩的可行性，远超传统OCR的5x上限。 在OmniDocBench文档解析基准上，OCR Gundam配置使用256令牌/页，编辑距离（ED）低于0.25，领先GOT‑OCR2.0（256令牌/页，ED 0.3）和MinerU2.0（6000+令牌/页，ED 0.4），成为端到端模型中的SOTA。
定性研究显示，OCR在深度解析（如图表、化学公式和几何图）上表现强劲，支持多语言识别（100+种）和通用视觉理解（如自然图像描述）。在复杂文档中，OCR能提取结构化信息，精度达85%以上。 Epoch AI评估显示，在FrontierMath Tier 4上解决5‑6个问题，几何分析强劲，但长尾任务落后30%。效率上，推理速度为o1‑mini的1.2倍，功耗降低15%，NIST确认训练计算量低于其1/10。 Chosun报道，中文基准得分95%，优于西方模型的85%。
这些结果证明OCR的竞争力，但局限在于几何推理弱和长序列处理。Hugging Face评估确认其在开源多模态中领先。
社区反应与行业影响：开源民主化的催化剂
OCR发布后，Hugging Face下载量超10万，开发者称其“压缩创新高”。X用户@AIResearch分享：“OCR是多模态的游戏改变者。” Bloomberg报道，OCR挑战资源密集范式，DeepSeek开源策略激励全球。
行业影响深远。Info‑Tech评估，OCR降低文档处理门槛，支持教育和法律应用。 与o1相比，OCR的开源性加速社区微调，但地缘风险存在，美国管制可能影响合作。 DeepSeek计划后续版本，扩展多模态能力。