DeepSeek再开源3B-MoE-OCR模型，视觉压缩高达20倍，支持复杂图表解析等多模态能力！

上周五下午 3 点 17 分，正在公司吭哧吭哧加班，突然看到 DeepSeek 官网弹出消息提醒：

“3B 参数的 OCR 模型，10 倍压缩，97% 精度，开源。”

作为一名 AI 博主，这么重要的模型那必须得尝尝鲜测试下了！要知道 GPT-4V 处理一页 PDF 得吃掉上千 Token，钱包直接破防。结果 DeepSeek-OCR 说：“兄弟，我只要你的十分之一 Token 数量！”

它到底怎么做到的？

那 DeepSeek 最新的 OCR 模型是如何做到能够使用少量视觉 token 就完成了海量文本压缩的？这主要得益于它的两个强大核心组件：DeepEncoder 和 DeepSeek3B-MoE 解码器！今天我们就来详细剖析下这两样组件是啥以及都有什么能力！

1. 双塔结构——SAM 抠细节，CLIP 看全局

DeepEncoder 这玩意儿像个双头怪：

SAM-base（80M）：窗口注意力，专门抠局部，高分辨率也不爆显存。
CLIP-large（300M）：全局注意力，扫一眼就知道这是化学式还是饼图。

中间夹一个 16× 卷积压缩层，两步 stride=2 的卷积，把 4096 个 patch token 直接砍到 256 个。简单粗暴，效果拔群。

2. 五种分辨率模式——从 Tiny 到 Gundam

模式	分辨率	输出 Token	适用场景
Tiny	512×512	64	手机端实时拍
Small	640×640	100	轻量服务器
Base	1024×1024	256	默认，平衡
Large	1280×1280	400	高清扫描
Gundam	动态	自适应	超大图分块

3. MoE 解码器——570M 激活参数，省钱又省显存

解码器用 DeepSeek-3B-MoE-A570M，每次只激活 570M 参数。公式长这样：

翻译成人话：**把 256 个视觉 Token 翻译成几千个文本 Token**，但算力只花 570M 的份。

实测数据——真的没吹牛

● **10 倍压缩**：OCR 精度 97%，跟原版几乎没差。

● **20 倍压缩**：还能剩 60% 准确率，应急够用。

● **单卡 A100-40G**：一天干 20 万页 PDF，生产队驴都没它能打。

它能干啥？

1. 学术狗福音——化学公式、数学符号一键转 LaTeX

“之前我用 Mathpix 转公式，一页 3 美元，现在直接本地跑，钱包回血。”

—— 某 985 研二学生，昨晚刚跑完 500 页论文

2. 企业数字化——合同、报表秒变可搜索文本

某跨国律所上周上线，一天扫完 10 年历史合同，老板一下又节省了上万的人工成本！

3. 多语言地狱——僧伽罗文、阿拉伯文都不虚

官方数据：支持识别 100 种语言，包括中文、英文、阿拉伯文、僧伽罗文……
实测阿拉伯语 PDF，连从右往左的排版都没翻车。

怎么玩？

GitHub 一把梭

1
2
3

git clone https://github.com/deepseek-ai/DeepSeek-OCR
pip install -r requirements.txt
python demo.py --image your.pdf --output out.md

HuggingFace 两行代码搞定

从 HuggingFace 看，下载完工程后只需要执行以下两行代码，即可快速上手使用！

1
2
3

from deepseek_ocr import DeepSeekOCR
model = DeepSeekOCR.from_pretrained("deepseek-ai/DeepSeek-OCR")
out = model.predict("paper.png", prompt="Convert to markdown.")