大家好，我是 Ai 学习的老章
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。
更早之前我也测试过一些，阅读不佳就没再继续
# 大模型开发之文档处理（1）：PDF 转 Markdown 的 OCR 模型，本地部署，实测
# 大模型开发之文档处理 (2)------ 字节跳动文档图像解析模型 Dolphin，本地部署，实测
回到 DeepSeek-OCR，论文上看，它有两个核心，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，市面上几乎全部文章都是在大家吹捧的点。
DeepSeek-OCR 不仅是 OCR 模型，更是大模型长上下文的解决方案，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。DeepSeek-OCR 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。
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
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
KaTeX parse error: Undefined control sequence: \ at position 60: ... 999]<|/det|> \̲[̲ \int_{0}^{1} \...
删掉之后就正常了，后面几个，为了展示方便，我都删了
\\int_{0}\^{1} \\left\\langle t\^7, 3t\^6 \\right\\rangle \\cdot \\left\\langle 4t\^3, 3t\^2 \\right\\rangle dt = \\int_{0}\^{1} \\left( 4t\^{10} + 9t\^6 \\right) dt = \\left( 4 \\cdot \\frac{t\^{11}}{11} + t\^9 \\right) \\bigg\|_{0}\^{1} = \\frac{4}{11} + 1 = \\frac{15}{11}
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
\\begin{align\*} \\frac{\\partial}{\\partial \\theta_j} J(\\theta) \&= \\frac{\\partial}{\\partial \\theta_j} \\frac{1}{2} (h_\\theta(x) - y)\^2 \\ \&= 2 \\cdot \\frac{1}{2} (h_\\theta(x) - y) \\cdot \\frac{\\partial}{\\partial \\theta_j} (h_\\theta(x) - y) \\end{align\*}
例 3:上难度，多个复杂公式一次识别
Gradient: (\\nabla f = (\\frac{\\partial f}{\\partial x_1}, \\frac{\\partial f}{\\partial x_1}) : \\mathbb{R}\^2 \\to \\mathbb{R}). Divergence: (\\text{div}(v) = \\frac{\\partial v\^1}{\\partial x_1} + \\frac{\\partial v\^2}{\\partial x_2} : \\mathbb{R}\^2 \\to \\mathbb{R}). \[L^2(\\mathbb{R}^2 \\to \\mathbb{R}) \\xrightarrow{\\nabla \\text{div}} L^2(\\mathbb{R}^2 \\to \\mathbb{R}\^2)\] \[\\nabla f = (f_{k_1+1, k_2} - f_k, f_{k_1, k_2+1} - f_k)_k\] \[\\text{div}(v) = v_k\^1 - v_{k_1-1, k_2}\^1 + v_k\^2 - v_{k_1, k_2-1}\^2\] \[\\mathbb{R}\^{n \\times n} \\xrightarrow{\\nabla \\text{div}} (\\mathbb{R}\^{n \\times n})\^2
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
\\frac{\\partial\^2 y}{\\partial x \\partial x'} = \\frac{\\partial}{\\partial x'} \\left\[ \\frac{\\partial y}{\\partial x} \\right\] = \\frac{\\partial}{\\partial x'} \\left\[ \\frac{\\partial y}{\\partial x_1} \\frac{\\partial y}{\\partial x_2} \\cdots \\frac{\\partial y}{\\partial x_n} \\right\] = \\begin{bmatrix} \\frac{\\partial\^2 y}{\\partial x_1\^2} \& \\frac{\\partial\^2 y}{\\partial x_1 \\partial x_2} \& \\cdots \& \\frac{\\partial\^2 y}{\\partial x_1 \\partial x_n} \\ \\frac{\\partial\^2 y}{\\partial x_2 \\partial x_1} \& \\frac{\\partial\^2 y}{\\partial x_2\^2} \& \\cdots \& \\frac{\\partial\^2 y}{\\partial x_2 \\partial x_n} \\ \\vdots \& \\vdots \& \\ddots \& \\vdots \\ \\frac{\\partial\^2 y}{\\partial x_m \\partial x_1} \& \\frac{\\partial\^2 y}{\\partial x_m \\partial x_2} \& \\cdots \& \\frac{\\partial\^2 y}{\\partial x_m \\partial x_m} \\end{bmatrix}.
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
然后百度 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。
搭建完美的写作环境：工具篇（12 章）
图解机器学习 - 中文版（72 张 PNG）
ChatGPT、大模型系列研究报告（50 个 PDF）
108 页 PDF 小册子：搭建机器学习开发环境及 Python 基础
116 页 PDF 小册子：机器学习中的概率论、统计学、线性代数
史上最全！371 张速查表，涵盖 AI、ChatGPT、Python、R、深度学习、机器学习等