DeepSeek‑OCR:3B 参数、视觉—文本压缩与 OCR 优化

DeepSeek-OCR 是一款 3B 参数开源 VLM,提出“Contexts Optical Compression”以从 LLM 视角优化视觉编码:动态分辨率(Gundam 模式:多个 640×640 块 + 一个 1024×1024 中心块)、视觉-文本压缩到如 Base 模式下 256 个视觉 token,并支持 grounding 提示(<|grounding|>)与多模态指令。训练借鉴 Vary 与 GOT-OCR2.0,覆盖 32 种语言,擅长表格/图表/手写体。基准上超越 Qwen‑VL,PDF→Markdown F1 提升 5–10%,在 A100-40G + vLLM 下约 2500 token/s。部署依赖 Python3.12+/CUDA11.8/Torch2.6,仓库:https://t.co/KQKSz0EqVr