新闻详情

新闻详情

首页 / 资讯中心 / 详情

文档解析新王者DeepSeek-OCR-2:Visual Causal Flow视觉OCR模型完整入门指南

发布时间:2026/11/18 8:57:19来源:尧图网络
文档解析新王者DeepSeek-OCR-2:Visual Causal Flow视觉OCR模型完整入门指南
文档解析新王者DeepSeek-OCR-2Visual Causal Flow视觉OCR模型完整入门指南【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2DeepSeek-OCR-2是 DeepSeek 团队推出的新一代文档解析 OCR 模型核心创新是Visual Causal Flow视觉因果流用语言模型替代传统 CLIP 作为视觉编码器让机器像人类一样按阅读顺序理解图片内容。它能把 PDF、扫描件、表格截图一键转成结构化 Markdown是新手做文档数字化、知识提取的上手利器。一、DeepSeek-OCR-2 是什么3大核心亮点亮点说明 人类式视觉编码视觉编码器从 CLIP300M升级为 Qwen2 语言模型500M通过因果注意力模拟人的逐行阅读习惯 动态分辨率默认 (0-6)×768×768 1×1024×1024 切块兼顾细节与速度最高仅消耗数百个视觉 token⚡ 双引擎推理同时提供vLLM 高并发推理适合批量 PDF和Transformers 轻量推理适合快速验证一句话理解它的定位传统 OCR 先把字框找出来再逐字识别 DeepSeek-OCR-2 把整页文档当成一幅图直接读出来顺序、表格、公式、排版一步到位。二、Visual Causal Flow 视觉因果流核心原理 3 分钟看懂如上图所示DeepSeek-OCR-2 的架构演进非常直观旧方案DeepEncoder V1用非因果non-causal的 CLIP ViT 编码图像——所有图块同时被看模型不知道哪个词先读、哪个词后读。新方案DeepEncoder V2引入一组**可学习 querylearnable query构建新的阅读顺序让LM as Vision EncoderQwen2 500M以因果causal**方式逐步处理图像块。这就好比从照片一次性拍全升级为像人眼一样从左到右、从上到下扫视模型因此更擅长 长文档、多栏排版不乱序 复杂表格保持行列逻辑 公式与代码块的上下文连贯相关实现位于 deepencoderv2/ 目录其中 qwen2_d2e.py 实现了语言模型当视觉编码器的核心逻辑理论细节可阅读官方论文 DeepSeek_OCR2_paper.pdf。三、支持哪些解析模式Prompt 怎么选DeepSeek-OCR-2 内置两种官方 Prompt覆盖绝大多数场景场景Prompt特点 文档结构化转换image\n|grounding|Convert the document to markdown.输出带布局的完整 Markdown推荐首选✂️ 自由文字识别image\nFree OCR.只提取纯文本不还原排版速度更快支持模式方面官方默认采用动态分辨率(0-6)×768×768 局部图块 1×1024×1024 全局图块视觉 token 消耗约 (0-6)×144 256显存友好。四、快速上手从克隆到出结果的完整步骤1. 一键克隆仓库git clone https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2.git cd DeepSeek-OCR-22. 准备环境官方基准CUDA 11.8 PyTorch 2.6.0 Python 3.12.9conda create -n deepseek-ocr2 python3.12.9 -y conda activate deepseek-ocr2 pip install torch2.6.0 torchvision0.21.0 torchaudio2.6.0 --index-url https://download.pytorch.org/whl/cu118 pip install vllm-0.8.5cu118-cp38-abi3-manylinux1_x86_64.whl pip install -r requirements.txt pip install flash-attn2.7.3 --no-build-isolation 提示依赖清单见 requirements.txt包含 transformers、PyMuPDF、Pillow 等核心包。3. 配置输入输出路径修改 config.py 中的三个关键项MODEL_PATH模型路径默认deepseek-ai/DeepSeek-OCR-2INPUT_PATH待解析的图片 / PDF 路径OUTPUT_PATH结果输出目录PROMPT从上面表格中选择合适的解析指令4. 三条命令跑通三大场景cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm # ① 图片解析流式输出实时看识别过程 python run_dpsk_ocr2_image.py # ② PDF 批量解析高并发速度与上一代 DeepSeek-OCR 持平 python run_dpsk_ocr2_pdf.py # ③ 基准测试批量评测如 OmniDocBench v1.5 python run_dpsk_ocr2_eval_batch.py对应源码run_dpsk_ocr2_image.py、run_dpsk_ocr2_pdf.py、run_dpsk_ocr2_eval_batch.py。5. 不想装 vLLM用 Transformers 轻量推理如果只想快速验证单张图片可直接运行 HuggingFace 版脚本cd DeepSeek-OCR2-master/DeepSeek-OCR2-hf python run_dpsk_ocr2.py脚本 run_dpsk_ocr2.py 内已封装好模型加载、bf16 量化与crop_mode动态切块参数改两行路径即可出结果。五、新手常见问题 FAQQ1显存不够跑 PDF 高并发怎么办降低 config.py 中的MAX_CONCURRENCY默认 100和NUM_WORKERS默认 64即可。Q2输出出现文字重复怎么办项目已内置防重复机制 ngram_norepeat.pyn-gram 去重处理器默认SKIP_REPEAT True自动开启。Q3图片预处理逻辑在哪里看参考 image_process.py包含动态分辨率切块dynamic preprocess与 token 数量计算逻辑。Q4License 是什么项目基于 Apache 2.0 协议开源详见 LICENSE.txt可自由用于学习与商用。六、写在最后DeepSeek-OCR-2 用语言模型读懂图片的思路重新定义了文档解析Visual Causal Flow 让 OCR 从逐字扫描进化为整体理解。对新手而言无需复杂流水线配置三条命令即可将图片、PDF 批量转为 Markdown是 2026 年文档数字化、知识库构建、RAG 数据清洗的高性价比选择。 建议动手路线先用 Transformers 版跑通单张图片 → 再用 vLLM 版处理整个 PDF 目录 → 最后尝试 OmniDocBench 评测调优逐步掌握这套文档解析新王者的完整能力。【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉