← すべてのモデル

DeepSeek-OCR 2

公開日 提供元 DeepSeek

概要

DeepSeek-OCR 2は、文書画像の文字認識と構造解析を主な対象とする、公開ウェイトの視覚言語モデルです。公式リポジトリでは2026年1月27日に発表されています。(github.com)

能力・用途

  • DeepEncoder V2を用い、画像の意味や文書構造に応じて視覚トークンを並べ替え、複雑なレイアウトの読み取りを支援します。(arxiv.org)
  • 文書画像からのテキスト抽出、レイアウトを考慮したMarkdown変換、PDFの一括処理、言語モデル向け学習データの作成に利用できます。(huggingface.co)
  • 公式論文では、OmniDocBench v1.5で91.09%を記録したと報告しています。これは特定の評価条件での結果であり、すべての文書で同じ精度を保証するものではありません。(arxiv.org)

提供形態・制限

  • モデルのコードとウェイトは公開され、ライセンスはApache 2.0です。公式の実行例はNVIDIA GPU、CUDA 11.8、PyTorch 2.6.0などを使用します。自己ホストでは計算資源と運用が必要です。(github.com)
  • 認識結果には誤りがあり得ます。公式論文も、特に文字が密集した新聞で改善の余地があると報告しています。重要な文書は原本との照合が必要です。(arxiv.org)

料金

DeepSeek-OCR 2を指定して利用する公式APIの入力・出力トークン単価は未確認です。 以下は別途公開されているDeepSeekの汎用OCR API料金であり、同APIが必ずDeepSeek-OCR 2を使用するとは公式資料から確認できません。(api-docs.deepseek.com)

汎用OCR APIはページ単位の課金で、入力・出力トークン数は参考値であり課金には使用しません。認識失敗やタイムアウトは課金されません。両通貨の料金はそれぞれの公式ページに記載されたもので、換算した金額ではありません。(api-docs.deepseek.com)

公式資料