/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
deepseek_ocr2 · dense
Библиотека
transformers
Опубликована
27 мая 2026

DeepSeek-OCR-2

Изображение и текст → текст10 профессий

DeepSeek-OCR 2 распознаёт текст на изображениях и преобразует документы в Markdown с возможностью привязки текста к координатам на странице.

9 984скачиваний за 30 дней4лайкавеса обновлены30 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DeepSeek-OCR 2 — модель компьютерного зрения и обработки текста из изображений семейства DeepSeek, представленная в репозитории deepseek-community. Она предназначена для распознавания текста и преобразования документов в Markdown; режим grounding позволяет связывать извлечённый текст с координатами областей изображения через специальные теги.

Модель использует архитектуру DeepseekOcr2ForConditionalGeneration и принимает изображения с текстовой инструкцией, выдавая текст. Поддерживается динамическое разрешение: базовый режим обрабатывает изображения с несколькими фрагментами 768×768 и дополнительным изображением 1024×1024. В карточке указана многоязычная поддержка, но конкретные языки не перечислены.

Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README также указывает на ускоренный инференс через vLLM и обработку PDF, однако детали этих сценариев находятся во внешней инструкции.

Сценарии применения

  • распознавание текста на изображениях документов
  • преобразование отсканированных документов в Markdown
  • извлечение структуры документа с координатами текстовых областей
  • обработка страниц PDF с распознаванием текста

Ограничения

README не перечисляет конкретные поддерживаемые языки и не сообщает о точности на отдельных типах документов. Детали обработки PDF и ускоренного запуска через vLLM вынесены во внешнюю документацию.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Usage

Plain OCR

from transformers import AutoProcessor, AutoModelForImageTextToText

model = AutoModelForImageTextToText.from_pretrained(
    "deepseek-community/DeepSeek-OCR-2", device_map="auto"
)
processor = AutoProcessor.from_pretrained("deepseek-community/DeepSeek-OCR-2")

image = "https://huggingface.co/datasets/hf-internal-testing/fixtures_got_ocr/resolve/main/image_ocr.jpg"
inputs = processor(images=image, text="<image>\nFree OCR.", return_tensors="pt").to(model.device)

generate_ids = model.generate(**inputs, do_sample=False, max_new_tokens=256)
print(processor.decode(generate_ids[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))
# "R&D QUALITY IMPROVEMENT\nSUGGESTION/SOLUTION FORM\nName/Phone Ext. : (...)"

Grounding with markdown conversion

The <|grounding|> token enables coordinate-aware output with <|ref|> and <|det|> tags.

inputs = processor(
    images=image,
    text="<image>\n<|grounding|>Convert the document to markdown.",
    return_tensors="pt",
).to(model.device)

generate_ids = model.generate(**inputs, do_sample=False, max_new_tokens=256)
print(processor.decode(generate_ids[0, inputs["input_ids"].shape[1]:], skip_special_tokens=False))
# "<|ref|>title<|/ref|><|det|>[[330, 198, 558, 230]]<|/det|>\n# R&D QUALITY (...)"

vLLM

Refer to 🌟GitHub for guidance on model inference acceleration and PDF processing.

Support-Modes

  • Dynamic resolution
    • Default: (0-6)×768×768 + 1×1024×1024 — (0-6)×144 + 256 visual tokens ✅

Main Prompts

# document:        "<image>\n<|grounding|>Convert the document to markdown."
# without layouts: "<image>\nFree OCR."

Acknowledgement

We would like to thank DeepSeek-OCR, Vary, GOT-OCR2.0, MinerU, PaddleOCR for their valuable models and ideas.

We also appreciate the benchmark OmniDocBench.

Citation

@article{wei2025deepseek,
  title={DeepSeek-OCR: Contexts Optical Compression},
  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},
  journal={arXiv preprint arXiv:2510.18234},
  year={2025}
}

@article{wei2026deepseek,
  title={DeepSeek-OCR 2: Visual Causal Flow},
  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},
  journal={arXiv preprint arXiv:2601.20552},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekOcr2ForConditionalGeneration
Ревизия весов
838dc37

0 моделей