DeepSeek-OCR

DeepSeek 最近发布了《DeepSeek-OCR：基于视觉压缩的大模型长上下文增强方案》这篇论文，同步开源了模型文件。

最近一段时间好像是迎来了 OCR 的黄金时代，百度的 PaddleOCR-VL、阿里 Qwen3-VL、小红书的 dots-ocr、Nanonets-OCR2 等等。

论文上看，DeepSeek-OCR有两个核心，一个是纯粹的 OCR，这是本文测试的重点。

另一个就是上下文光学压缩（Contexts Optical Compression），解决了大模型在长上下文处理上的算力瓶颈。这玩意我是看不太懂，只看到市面上几乎全部文章吹捧。

DeepSeek-OCR 不仅是 OCR 模型，通过视觉压缩实现“以小博大”，在长文本处理上突破了算力与精度的平衡，是大模型长上下文的一个解决方案，它让 AI 的“记忆”更像人类，或许正在打开通往下一代智能的钥匙。

Andrej Jarpathy 也给予 DeepSeek-OCR 极高评价

再回到 OCR 方面，DeepSeek-OCR 表现不俗：

• 压缩比 ≤10 倍时，准确率 >95%，几乎无损。
• ICDAR 2023 数据集：10 倍压缩下准确率 97.3%，速度 8.2 页/秒，显存仅 4.5GB。
• 对比 MinerU2.0（6000+ tokens/页，1.5 页/秒，12.8GB 显存），优势明显。
• 财报：286 页年报，表格还原率 95.7%，耗时 4 分钟（
• 论文：公式识别率 92.1%，LaTeX 可直接使用。
• 合同：批注关联率 89.5%，比 Tesseract 高 27%。

DepSeek-OCR 实测–公式

我没有本地部署，直接使用了 HF 上一个 Space，应该是用的 Gradio 开发的

https://huggingface.co/spaces/khang119966/DeepSeek-OCR-DEMO

测试样例取自我之前这篇文章：# 实测，大模型 LaTeX 公式识别，出乎预料

文中我测试几个大模型（Kimi、Qwen-3-235B-A22B、Claude-3.7-sonnet、GPT-4.1、Gemini 2.5 Pro）在 latex 公式识别中的表现，测试从带公式的图片中识别出公式代码，有两个手写公式识别，难度不小。当时 DeepSeek 不是多模态，没有参与对比，本文刚好补上。

例 1:中高难度，模糊手写，数字是欧洲写法，比如 7 中间加了一横，其中有一个 8 写的极像 6

之前我测试只有 Gemini 2.5 Pro 可以完成任务，DeepSeek-OCR 犯了和其他模型一样的问题，其中一个模糊的 8 识别成了 6。

另外这个工具有一段奇怪的字符串

删掉之后就正常了，后面几个，为了展示方便，我都删了

百度Paddle也没完成，8识别成了6.

例 2:简单点，印刷版，可以完成任务，这个太简单了，其他模型也都可以胜任

例 3:上难度，多个复杂公式一次识别

还行，有瑕疵，中间有奇怪符号，而且没有换行

百度完成的就很好

例 4:复杂公式，带矩阵运算

DeepSeek-OCR 完成的不错

例 5:最高难度，模糊手写，公式混在文本中，横线与笔记本自带的线混在一起

这个只有 Gemini 2.5 Pro 成功识别的题目，DeepSeek- OCR 完成的很一般

最后在看一个复杂表格识别

DeepSeek- OCR 没有把表头识别好

百度 paddle 就很 OK

中间很多我没有同时让百度表现，因为也是用了 HF 的 Space，很不稳定

总结看 DeepSeek-OCR 确实很优秀，但是绝不是 SOTA 级别

补充说明，不是 DeepSeek-OCR 不好，它有我无法理解的伟大创新。单 OCR 这一块，单这几个实例，它确实不如百度 PaddleOCR-VL 这个 0.9B 的小模型。

此外，我还测试了论文阅读已死，alphaXiv 新功能，彻底颠覆科研工作流一文中提到的 API，调用 DeepSeek-OCR 把 PDF 转 Markdown。

速度极快，22 页，一分钟不到。返回的是 json 格式，正文部分大量\n 预览起来很费劲，简单看，它没有去理解配图，其他都还行。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】