DeepSeek-OCR2

DeepSeek-OCR-2 的技術規格

什麼是 DeepSeek-OCR-2

DeepSeek-OCR-2 是 DeepSeek AI 推出的第二代 OCR/文件理解模型。它並非將 OCR 視為純文字字符抽取，而是先將文件的視覺資訊壓縮為緊湊的視覺標記（DeepSeek 將此過程稱為視覺-文本壓縮或其 DeepEncoder 系列），然後使用具 3B 參數的 Mixture-of-Experts（MoE）風格 VLM 解碼器對這些標記進行解碼，同時建模文字生成與版面推理。相較於對每個像素/圖塊進行標記化，這種方法面向長上下文文件（表格、多欄版面、圖表、多語文字系統），並降低序列長度與整體運行成本。

DeepSeek-OCR-2 的主要特性

• 類人閱讀順序與版面感知——學習文字的邏輯順序（標題→段落→表格），而非掃描固定網格。
• 視覺-文本壓縮——將視覺輸入壓縮為更短的標記序列（典型目標約 10× 壓縮），使解碼器能處理長文件上下文。
• 多語言與多文字系統——聲稱支援 100+ 種語言與多樣文字系統。
• 高吞吐/可自託管——為本地部署推理而設計（如 A100 範例），並有社群 GGUF/本地構建回報。
• 可微調——程式庫與指南提供針對發票、科學論文、表單等領域適配的微調教學。
• 版面 + 內容輸出——不僅是純文字：提供結構化輸出，便利下游 KIE/NER 與 RAG 流水線。

---

DeepSeek-OCR-2 的基準表現

• **Fox 基準/內部指標：**在其 Fox 基準上，以 10× 壓縮達到約 97% 的完全匹配準確率——這是 DeepSeek 行銷材料中的亮點聲明之一。
• **壓縮權衡：**在中等壓縮（≈10×）下準確率仍維持較高，但在更激進的壓縮下會下降（Tom’s Hardware 摘要測試指出，在某些情境下 20× 壓縮時準確率降至約 60%）。這凸顯了吞吐與保真度之間的實務權衡。
• **吞吐量：**單張 NVIDIA A100 在典型工作負載下約可處理 20 萬頁/日——在評估成本/規模與雲端 OCR API 的取捨時具參考價值。

使用情境與部署建議

• **企業文件導入與索引建立：**將大量年報、PDF 與掃描文件轉換為可搜尋文字與版面中繼資料，以供 RAG/LLM 流水線使用。（DeepSeek 的吞吐表現對大規模場景具吸引力。）
• **結構化表格擷取/財務報告：**版面感知編碼器有助於保留表格儲存格關係，以便下游 KIE 擷取與校對。請依數值精度需求驗證壓縮等級。
• **多語檔案數位化：**支援 100+ 語言，適用於圖書館、政府檔案或跨國文件處理。
• **本地、隱私敏感部署：**可自託管的 HF/GGUF 變體使資料可留在內部，不必委由雲端服務。
• **LLM RAG 前處理：**在上下文長度受限時，將忠實的文字與版面資訊壓縮/擷取供 RAG 納管。

如何透過 CometAPI 存取 DeepSeek-OCR-2

步驟 1：註冊取得 API 金鑰

登入 cometapi.com。若您尚未成為我們的使用者，請先註冊。登入您的 CometAPI 控制台。取得介面的存取憑證 API 金鑰。在個人中心的 API token 處點擊「Add Token」，取得 token 金鑰：sk-xxxxx 並提交。

步驟 2：向 DeepSeek-OCR-2 API 發送請求

選擇“deepseek-ocr-2”端點以發送 API 請求並設定請求體。請求方法與請求體可於我們的網站 API 文件獲取。我們的網站也提供 Apifox 測試以供您便捷使用。請替換為您帳戶中的實際 CometAPI 金鑰。基礎 URL 為 Chat Completions。

將您的問題或請求插入 content 欄位——模型將回應此內容。處理 API 回應以取得生成的答案。

步驟 3：擷取並驗證結果

處理 API 回應以取得生成的答案。處理完成後，API 會回傳任務狀態與輸出資料。