← 全部模型

DeepSeek-OCR 2

发布时间 发布主体 DeepSeek

模型定位

DeepSeek-OCR 2 是面向文档图像识别与解析的视觉语言模型,代码和模型权重公开,采用 Apache-2.0 许可证。其 DeepEncoder V2 通过视觉因果流对视觉信息进行重排序,以改善复杂版面的阅读顺序。(arxiv.org)

能力与用途

  • 可识别图像中的文字,并将文档转换为 Markdown;官方项目提供图片推理和 PDF 批量处理示例,可用于文档数字化及下游文本处理。(github.com)
  • 支持动态分辨率:默认使用一个全局视图及最多六个局部裁剪,每张图像产生 256–1,120 个视觉 token。(github.com)
  • 官方论文报告,在 OmniDocBench v1.5 的测试条件下,综合得分为 91.09,较其 DeepSeek-OCR 基线高 3.73 个百分点;该结果不代表所有实际文档上的准确率。(arxiv.org)

限制与部署

  • 识别结果仍可能出现错误或重复;论文指出,在文字密集的报纸上仍有明显改进空间。重要内容应人工校验。(arxiv.org)
  • 官方提供 vLLM 和 Transformers 推理示例;自行部署需要计算资源。官方示例环境使用 CUDA 11.8 和 PyTorch 2.6.0。模型仓库名称不应视为已核实的官方 API 模型 ID。(github.com)

发布日期

官方原项目于 2026 年 1 月 27 日公告 DeepSeek-OCR 2;相关论文在 arXiv 的提交日期为 2026 年 1 月 28 日。(github.com)

价格

截至 2026 年 11 月 17 日,未核实到针对 DeepSeek-OCR 2 指定模型版本的官方输入或输出 token 单价。

DeepSeek 另有独立 OCR API,官方文档未注明该服务使用的具体模型版本,因此以下是该服务价格,不可认定为 DeepSeek-OCR 2 的专属报价:

上述 OCR API 按成功识别的页数计费,识别失败或超时不计费;输入和输出 token 用量仅供参考,不分别按 token 计费。两种币种为各自官方页面报价,并非本文换算所得。(api-docs.deepseek.com)

官方来源