DeepSeek-OCR2

DeepSeek-OCR-2 的技术规格

什么是 DeepSeek-OCR-2

DeepSeek-OCR-2 是 DeepSeek AI 推出的第二代主要 OCR/文档理解模型。它并非将 OCR 视为单纯的字符提取，而是先将视觉文档信息压缩为紧凑的视觉 token（DeepSeek 将这一过程称为 vision-text compression，或归属其 DeepEncoder 系列），然后使用一个 30 亿参数的混合专家（MoE）风格 VLM 解码器对这些 token 进行解码，同时建模文本生成与版面推理。该方法面向长上下文文档（表格、多栏布局、图表、多语言文字系统），并且相比对每个像素/patch 进行 token 化，能够减少序列长度和整体运行成本。

DeepSeek-OCR-2 的主要特性

• 类人阅读顺序与版面感知 — 学习文本的逻辑顺序（标题→段落→表格），而不是按固定网格扫描。
• 视觉-文本压缩 — 将视觉输入压缩为更短的 token 序列（典型压缩目标为 10×），使解码器能够处理长文档上下文。
• 多语言与多文字系统 — 声称支持 100+ 种语言和多种文字系统。
• 高吞吐 / 可自托管 — 设计支持本地部署推理（如 A100 示例），社区也已有 GGUF/本地构建版本的报告。
• 可微调 — 仓库和指南中包含面向领域适配（发票、科研论文、表单）的微调说明。
• 版面 + 内容输出 — 不仅输出纯文本，还提供结构化输出，以便下游 KIE/NER 和 RAG 流水线使用。

---

DeepSeek-OCR-2 的基准性能

• Fox 基准 / 内部指标： 在其 Fox 基准上，10× 压缩时精确匹配准确率约为 97%（该公司基准重点关注压缩条件下的文档保真度）。这是 DeepSeek 营销材料中的核心宣称之一。
• 压缩权衡： 在中等压缩（约 10×）下准确率仍然较高，但在更激进的压缩下会下降（Tom’s Hardware 总结的测试显示，在某些场景下，准确率在 20× 压缩时降至 约 60%）。这凸显了吞吐量与保真度之间的实际权衡。
• 吞吐量： 对于典型工作负载，单张 NVIDIA A100 每天可处理 约 20 万页——这在评估成本/规模与云 OCR API 的对比时很有参考价值。

使用场景与推荐部署方式

• 企业文档摄取与索引： 将大量年报、PDF 和扫描文档转换为可检索文本 + 布局元数据，用于 RAG/LLM 流水线。（DeepSeek 的吞吐量声明对于大规模场景很有吸引力。）
• 结构化表格提取 / 财务报告处理： 具备版面感知的编码器有助于保留表格单元格关系，便于下游 KIE 提取与核对。应根据数值精度需求验证压缩等级。
• 多语言档案数字化： 支持 100+ 种语言，使其适用于图书馆、政府档案或跨国文档处理。
• 本地部署、重视隐私的场景： 可自托管的 HF/GGUF 变体使数据能够保留在内部，而不是交给云服务商。
• 用于 LLM RAG 的预处理： 在上下文长度成为瓶颈时，为 RAG 摄取压缩并提取高保真文本与布局信息。

如何通过 CometAPI 访问 DeepSeek-OCR-2

第 1 步：注册 API Key

登录 cometapi.com。如果您还不是我们的用户，请先注册。登录您的 CometAPI 控制台。获取接口访问凭证 API key。在个人中心的 API token 页面点击“Add Token”，获取 token key：sk-xxxxx 并提交。

第 2 步：向 DeepSeek-OCR-2 API 发送请求

选择“deepseek-ocr-2”端点发送 API 请求，并设置请求体。请求方法和请求体可从我们网站的 API 文档获取。我们的网站还提供 Apifox 测试，方便您使用。请替换为您账户中的实际 CometAPI key。base url 为 Chat Completions。

将您的问题或请求插入 content 字段——模型将对此作出响应。处理 API 响应以获取生成的答案。

第 3 步：获取并验证结果

处理 API 响应以获取生成的答案。处理完成后，API 将返回任务状态和输出数据。