Распознать текст со скана или фотографии умеет и обычный чат DeepSeek: прикрепили картинку — получили текст. Но у DeepSeek есть и отдельная открытая модель, созданная специально для документов, — DeepSeek-OCR. Её можно скачать и запустить у себя, чтобы обрабатывать сотни страниц без отправки файлов в облако.
Разберёмся, что это за модель, чем она отличается от загрузки фото в чат, как её запустить и где она действительно полезна.
Что такое DeepSeek-OCR
DeepSeek-OCR — открытая визуально-языковая модель для распознавания документов. DeepSeek выпустила её 20 октября 2025 года вместе с исследовательской статьёй «DeepSeek-OCR: Contexts Optical Compression». Веса и код опубликованы на GitHub и Hugging Face под лицензией MIT.
Модель состоит из двух частей:
- DeepEncoder — «глаза» модели: он превращает изображение страницы в компактный набор визуальных токенов;
- декодер DeepSeek3B-MoE — языковая часть примерно на 3 млрд параметров, из которых при генерации активны около 570 млн. Она «читает» визуальные токены и выдаёт текст.
Главная идея: оптическое сжатие
Обычно языковая модель тратит токены на каждый кусочек текста. Исследователи DeepSeek проверили обратную идею: что если показать модели текст как картинку и сжать его в меньшее число визуальных токенов?
Результаты из статьи:
- если визуальных токенов примерно в 10 раз меньше, чем текстовых, модель восстанавливает текст с точностью около 97%;
- при сжатии в 20 раз точность падает примерно до 60%;
- на тесте OmniDocBench модель обошла GOT-OCR2.0, используя 100 визуальных токенов на страницу против 256, и MinerU2.0, используя меньше 800 токенов против 6000 с лишним в среднем;
- на одной видеокарте A100-40G модель обрабатывает более 200 тысяч страниц в день.
Поэтому DeepSeek-OCR интересна не только как «распознавалка», но и как исследование: как хранить длинный контекст дешевле.
Режимы разрешения
Модель умеет работать с разным разрешением — чем больше токенов, тем точнее, но медленнее.
| Режим | Разрешение | Визуальных токенов |
|---|---|---|
| Tiny | 512×512 | 64 |
| Small | 640×640 | 100 |
| Base | 1024×1024 | 256 |
| Large | 1280×1280 | 400 |
| Gundam | несколько фрагментов 640×640 + общий план 1024×1024 | динамически |
Для обычных страниц с текстом хватает Base, для мелкого шрифта и плотных таблиц — Large или Gundam.
DeepSeek-OCR 2: что изменилось
27 января 2026 года DeepSeek представила DeepSeek-OCR 2 с новым кодировщиком DeepEncoder V2. Обычные модели «читают» картинку построчно — слева направо и сверху вниз. Новый кодировщик умеет переупорядочивать визуальные токены по смыслу, как это делает человек, когда смотрит на сложную вёрстку: сначала заголовок, потом колонки, потом подписи. Вторая версия распространяется под лицензией Apache 2.0.
Чем DeepSeek-OCR отличается от фото в чате DeepSeek
| Чат DeepSeek | DeepSeek-OCR | |
|---|---|---|
| Где работает | В облаке DeepSeek | На вашем компьютере или сервере |
| Задача | Понять картинку и ответить на вопрос | Точно извлечь текст и структуру страницы |
| Объёмы | Несколько файлов вручную | Пакетная обработка тысяч страниц |
| Конфиденциальность | Файлы уходят на серверы | Данные остаются у вас |
| Нужна ли видеокарта | Нет | Желательно, для скорости |
Если вам нужно разово вытащить текст с фото — проще воспользоваться чатом. Если нужно оцифровать архив — тогда пригодится отдельная модель.
Как запустить DeepSeek-OCR
Вариант 1. Ollama — самый простой
В каталоге Ollama есть модель deepseek-ocr размером около 6,7 ГБ. Она требует Ollama версии 0.13.0 или новее.
ollama run deepseek-ocr "/путь/к/скану.png\nFree OCR."Другие варианты запроса из описания модели:
- Extract the text in the image. — просто вытащить текст;
- <|grounding|>Convert the document to markdown. — перевести страницу в Markdown с разметкой заголовков и таблиц;
- Parse the figure. — разобрать график или схему.
Разработчики предупреждают, что модель чувствительна к формату запроса: пропущенный знак препинания или перенос строки может испортить результат. Копируйте промпты точно.
Вариант 2. Transformers на Python
Официальный способ из репозитория — библиотека Transformers с видеокартой NVIDIA. Окружение, на котором проверяли разработчики: Python 3.12.9, CUDA 11.8, torch 2.6.0, transformers 4.46.3 и flash-attn 2.7.3. В вызове модели выбирается режим разрешения и промпт.
Вариант 3. vLLM — для больших объёмов
С 23 октября 2025 года DeepSeek-OCR официально поддерживается в vLLM. Это вариант для серверной пакетной обработки PDF: по данным разработчиков, на A100-40G скорость достигает примерно 2500 токенов в секунду.
Кстати, для локальной работы с визуальными моделями многие используют и графические оболочки — например, в статье про локальный запуск в ComfyUI показано, как это устроено на примере Qwen-Image.
Для каких документов подходит
- сканы книг и архивных документов;
- PDF без текстового слоя;
- страницы с таблицами, которые нужно перевести в Markdown;
- научные статьи с формулами и графиками;
- массовая подготовка данных для поиска по документам.
Для учебных задач, например распознать фото тетради или конспекта, проще использовать готовые сервисы: как превратить фото конспекта в текст, мы разбирали отдельно.
Качество на русском языке разработчики отдельно не публиковали — модель помечена как многоязычная. Перед большим проектом проверьте её на 10–20 своих страницах.
Ограничения
- нужна видеокарта NVIDIA для приемлемой скорости;
- контекст версии в Ollama — 8 тысяч токенов, поэтому длинные документы обрабатываются постранично;
- рукописный текст и плохие фото распознаются хуже, чем печатные страницы;
- это инструмент для разработчиков: готового приложения с кнопкой «Распознать» нет.
Если вы строите свой сервис поверх моделей DeepSeek, загляните в наш раздел DeepSeek для разработчиков.
Частые вопросы
DeepSeek-OCR бесплатный?
Да. Модель открыта: DeepSeek-OCR распространяется по лицензии MIT, DeepSeek-OCR 2 — по Apache 2.0. Платить нужно только за собственное железо или сервер.
Можно ли запустить DeepSeek-OCR без видеокарты?
Как правило, Ollama может работать и на процессоре, но обработка страниц будет заметно медленнее. Официальные инструкции рассчитаны на видеокарты NVIDIA.
Понимает ли DeepSeek-OCR русский язык?
Модель обучена как многоязычная, но отдельных результатов для русского DeepSeek не публиковала. Проверьте качество на своих документах.
Чем DeepSeek-OCR лучше обычного OCR вроде Tesseract?
Он понимает структуру страницы: таблицы, заголовки, формулы, графики, и умеет выдавать результат в Markdown. Классические OCR-движки ориентированы прежде всего на извлечение строк текста, а структуру приходится восстанавливать отдельно.
Есть ли DeepSeek-OCR в официальном чате?
Нет, это отдельная открытая модель. В чате DeepSeek распознавание изображений работает через основную мультимодальную модель.
