DeepSeek-OCR

DeepSeek-OCR to pierwsza generacja modelu dokumentowego DeepSeeka, opublikowana na Hugging Face 17 października 2025 i poprawiona ostatnio 4 listopada 2025. Praca, która ją opisuje — „DeepSeek-OCR: Contexts Optical Compression" (arXiv 2510.18234, 21 października 2025) — przedstawia model raczej jako eksperyment niż produkt: jeśli stronę tekstu da się zakodować w niewielkiej liczbie tokenów wizyjnych i odczytać bez błędów, to obraz jest tańszym pojemnikiem na długi kontekst niż sam tekst. Model ma około 3,34 miliarda parametrów — wieżę wizyjną DeepEncoder przed dwunastowarstwowym dekoderem w stylu DeepSeek-V2 z mieszanką ekspertów, z kontekstem językowym 8192 tokenów. Od późniejszych modeli dokumentowych odróżnia go jawna drabina trybów rozdzielczości, wypisana w karcie modelu: Tiny przy 512 pikselach, Small przy 640, Base przy 1024, Large przy 1280 oraz tryb „Gundam", który dzieli stronę 1024 na kafelki 640. Każdy szczebel wymienia tokeny wizyjne na dokładność, czyli dokładnie tę krzywą kompresji, którą mierzy praca. Sterują nim dwa polecenia: czysty OCR oraz zamiana dokumentu na Markdown z zakotwiczeniem, zachowująca układ strony. Wagi są na licencji MIT, a model nie ma hostowanego API — DeepSeek nigdy go nie sprzedawał i jedyną drogą jest uruchomienie go u siebie, co udaje się w bfloat16 na jednej karcie graficznej. Nie przestał też być używany. W odczycie z 25 sierpnia 2026, dziesięć miesięcy po premierze i siedem miesięcy po pojawieniu się następcy DeepSeek-OCR-2, pierwsza generacja notuje wciąż 2,37 miliona pobrań w trzydzieści dni — niemal dwa razy więcej niż nowszy model i więcej niż którykolwiek inny model DeepSeeka poza DeepSeek-R1 i linią V4-Flash.

▸Wideo

Brak materiałów wideo.

▸Recenzje