Spesifikasi teknis DeepSeek-OCR-2
| Field | DeepSeek-OCR-2 (published) |
|---|---|
| Tanggal rilis / Versi | 27 Jan 2026 — DeepSeek-OCR-2 (repo publik / kartu HF). |
| Parameter | ~3 miliar (3B) model (decoder MoE DeepSeek 3B + compressor). |
| Arsitektur | Encoder visi (DeepEncoder V2 / kompresi optik) → decoder visi-bahasa 3B (varian MoE dirujuk dalam materi DeepSeek). |
| Input | Gambar beresolusi tinggi / halaman hasil pindaian / PDF (format gambar: PNG, JPEG, PDF multi-halaman melalui pipeline konversi). |
| Output | Teks biasa (UTF-8), metadata tata letak terstruktur (bounding/flow), JSON K-V opsional untuk parsing downstream. |
| Panjang konteks (efektif) | Menggunakan urutan token visual terkompresi — tujuan desain: konteks panjang skala dokumen (batas praktis bergantung pada rasio kompresi; pipeline tipikal menghasilkan pengurangan token 10× dibanding tokenisasi naif). |
| Bahasa | 100+ bahasa / skrip (cakupan multibahasa diklaim dalam catatan produk). |
Apa itu DeepSeek-OCR-2
DeepSeek-OCR-2 adalah model OCR/pemahaman dokumen utama kedua dari DeepSeek AI. Alih-alih memperlakukan OCR sebagai ekstraksi karakter biasa, model ini mengompresi informasi dokumen visual menjadi token visual yang ringkas (proses yang oleh DeepSeek disebut sebagai vision-text compression atau keluarga DeepEncoder-nya), lalu mendekode token tersebut dengan decoder VLM bergaya mixture-of-experts (MoE) berparameter 3B yang memodelkan generasi teks dan penalaran tata letak secara bersamaan. Pendekatan ini menargetkan dokumen berkonteks panjang (tabel, tata letak multi-kolom, diagram, skrip multibahasa) sambil mengurangi panjang urutan dan biaya runtime keseluruhan dibandingkan dengan menokenisasi setiap piksel/patch.
Fitur utama DeepSeek-OCR-2
- Urutan baca mirip manusia & kesadaran tata letak — mempelajari pengurutan logis teks (judul→paragraf→tabel) alih-alih memindai grid tetap.
- Kompresi vision-text — mengompresi input visual menjadi urutan token yang jauh lebih pendek (target kompresi tipikal 10×), memungkinkan konteks dokumen panjang untuk decoder.
- Multibahasa & multi-skrip — mengklaim dukungan untuk 100+ bahasa dan beragam skrip.
- Throughput tinggi / dapat di-host sendiri — dirancang untuk inferensi on-prem (contoh A100), dan build komunitas GGUF/lokal juga dilaporkan.
- Dapat di-fine-tune — repo dan panduan mencakup instruksi fine-tuning untuk adaptasi domain (faktur, makalah ilmiah, formulir).
- Output tata letak + konten — bukan hanya teks biasa: output terstruktur untuk memfasilitasi pipeline KIE/NER dan RAG downstream.
Kinerja benchmark DeepSeek-OCR-2
- Benchmark Fox / metrik internal: ~97% akurasi exact-match pada kompresi 10× pada benchmark Fox miliknya (benchmark perusahaan yang berfokus pada fidelitas dokumen di bawah kompresi). Ini adalah salah satu klaim utama dalam materi pemasaran DeepSeek.
- Trade-off kompresi: Meskipun akurasi tetap tinggi pada kompresi moderat (≈10×), akurasi menurun pada kompresi yang lebih agresif (Tom’s Hardware merangkum pengujian yang menunjukkan akurasi turun menjadi ~60% pada 20× dalam beberapa skenario). Ini menyoroti trade-off praktis antara throughput & fidelitas.
- Throughput: ~200k halaman/hari pada satu NVIDIA A100 untuk beban kerja tipikal — berguna saat mengevaluasi biaya/skala vs API OCR cloud.
Kasus penggunaan & deployment yang direkomendasikan
- Ingesti & pengindeksan dokumen enterprise: mengonversi korpus besar laporan tahunan, PDF, dan dokumen hasil pindaian menjadi teks yang dapat dicari + metadata tata letak untuk pipeline RAG/LLM. (Klaim throughput DeepSeek menarik untuk skala.)
- Ekstraksi tabel terstruktur / pelaporan keuangan: encoder yang sadar tata letak membantu mempertahankan hubungan sel tabel untuk ekstraksi dan rekonsiliasi KIE downstream. Validasi tingkat kompresi terhadap kebutuhan presisi numerik.
- Digitalisasi arsip multibahasa: dukungan 100+ bahasa membuatnya cocok untuk perpustakaan, arsip pemerintah, atau pemrosesan dokumen multinasional.
- Deployment on-prem yang sensitif terhadap privasi: varian HF/GGUF yang dapat di-host sendiri memungkinkan data tetap disimpan di internal dibandingkan dengan penyedia cloud.
- Prapemrosesan untuk LLM RAG: mengompresi dan mengekstrak teks + tata letak yang setia untuk ingest RAG ketika panjang konteks menjadi bottleneck.
Cara mengakses DeepSeek-OCR-2 melalui CometAPI
Langkah 1: Daftar untuk API Key
Masuk ke cometapi.com. Jika Anda belum menjadi pengguna kami, silakan daftar terlebih dahulu. Masuk ke konsol CometAPI Anda. Dapatkan kredensial akses API key untuk antarmuka tersebut. Klik “Add Token” pada bagian API token di pusat personal, dapatkan token key: sk-xxxxx lalu kirimkan.
Langkah 2: Kirim Request ke API DeepSeek-OCR-2
Pilih endpoint “deepseek-ocr-2” untuk mengirim request API dan atur request body. Metode request dan request body diperoleh dari dokumentasi API di situs web kami. Situs web kami juga menyediakan pengujian Apifox untuk kenyamanan Anda. Ganti dengan CometAPI key aktual dari akun Anda. base url ada di Chat Completions.
Masukkan pertanyaan atau permintaan Anda ke dalam field content—ini adalah yang akan direspons oleh model. Proses respons API untuk mendapatkan jawaban yang dihasilkan.
Langkah 3: Ambil dan Verifikasi Hasil
Proses respons API untuk mendapatkan jawaban yang dihasilkan. Setelah diproses, API akan merespons dengan status tugas dan data output.