周红伟:企业大模型微调和部署, DeepSeek-OCR v2技术原理和架构,部署案例实操。RAG+Agent智能体构建

复制代码
DeepSeek-OCR 发布于25年10月,而这次DeepSeek-OCR 2发布仅隔了三个月。这会不会是DeepSeek V4发布前上的前菜呢?让我们一起尝尝鲜吧。


DeepSeek发布全新DeepSeek-OCR 2模型,采用创新的DeepEncoder V2方法,让AI能够根据图像的含义动态重排图像的各个部分,而不再只是机械地从左到右扫描。这种方式模拟了人类在观看场景时所遵循的逻辑流程。最终,该模型在处理布局复杂的图片时,表现优于传统的视觉-[语言模型](https://so.csdn.net/so/search?q=%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B&spm=1001.2101.3001.7020),实现了更智能、更具因果推理能力的视觉理解。

github地址:https://github.com/deepseek-ai/DeepSeek-OCR-2

DeepSeek-OCR 2: Visual Causal Flow

Explore more human-like visual encoding.

<>Contents

<>Install

Our environment is cuda11.8+torch2.6.0.

  • Clone this repository and navigate to the DeepSeek-OCR-2 folder

    git clone https://github.com/deepseek-ai/DeepSeek-OCR-2.git

  • Conda

    conda create -n deepseek-ocr2 python=3.12.9 -y
    conda activate deepseek-ocr2

  • Packages

  • download the vllm-0.8.5 whl

    pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118
    pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl
    pip install -r requirements.txt
    pip install flash-attn==2.7.3 --no-build-isolation

Note: if you want vLLM and transformers codes to run in the same environment, you don't need to worry about this installation error like: vllm 0.8.5+cu118 requires transformers>=4.51.1

<>vLLM-Inference

  • VLLM:

Note: change the INPUT_PATH/OUTPUT_PATH and other settings in the DeepSeek-OCR2-master/DeepSeek-OCR2-vllm/config.py

复制代码
cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm
  • image: streaming output

    python run_dpsk_ocr2_image.py

  • pdf: concurrency (on-par speed with DeepSeek-OCR)

    python run_dpsk_ocr2_pdf.py

  • batch eval for benchmarks (i.e., OmniDocBench v1.5)

    python run_dpsk_ocr2_eval_batch.py

<>Transformers-Inference

  • Transformers

    from transformers import AutoModel, AutoTokenizer
    import torch
    import os
    os.environ["CUDA_VISIBLE_DEVICES"] = '0'
    model_name = 'deepseek-ai/DeepSeek-OCR-2'

    tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
    model = AutoModel.from_pretrained(model_name, _attn_implementation='flash_attention_2', trust_remote_code=True, use_safetensors=True)
    model = model.eval().cuda().to(torch.bfloat16)

    prompt = "\nFree OCR. "

    prompt = "\nConvert the document to markdown. "
    image_file = 'your_image.jpg'
    output_path = 'your/output/dir'

    res = model.infer(tokenizer, prompt=prompt, image_file=image_file, output_path = output_path, base_size = 1024, image_size = 768, crop_mode=True, save_results = True)

or you can

复制代码
cd DeepSeek-OCR2-master/DeepSeek-OCR2-hf
python run_dpsk_ocr2.py

<>Support-Modes

  • Dynamic resolution
    Default: (0-6)×768×768 + 1×1024×1024 --- (0-6)×144 + 256 visual tokens ✅
相关推荐
starzy19901 分钟前
Kafka写数据入口:消息进了Broker之后交给谁
大数据·kafka
成旭先生13 分钟前
车辆、能源与地理数据 API 实战:把定价、油价、行政区划串成一条链路
人工智能·windows·能源·api集成·油价查询·车辆定价·地址清洗
北方的银狐-Zero18 分钟前
OntoL 7.0|面向工业多智能体的语义本体套件,让异构系统真正 “看懂彼此”——OntoL的本体产品矩阵
人工智能·mysql·sqlite·1024程序员节·本体论·本体产品
stormzhangV18 分钟前
史诗级封号收入
人工智能·aigc
龍德明宇19 分钟前
AI 和办事系统,是同一台机器的两张照片-龍德明宇
大数据·人工智能·负主体性
fl17683121 分钟前
工业玻璃不同形状类别玻璃检测数据集VOC+YOLO格式1012张4类别
人工智能·yolo·机器学习
Rocky Ding*22 分钟前
【三年面试五年模拟】2026-10-25 华为大模型算法岗一面面经:13道题解析与算法实现
论文阅读·人工智能·深度学习·机器学习·大模型·aigc·ai-native
马剑威(威哥爱编程)23 分钟前
【HarmonyOS 7 小艺智能体实战】07:手写一个 Skill(下)——ArkTS、意图框架与工程结构
人工智能·华为·harmonyos
Old Uncle Tom28 分钟前
LLM 替代 SAST?Claude Code 安全审查工具的设计取舍与工程启示
人工智能·安全·软件工程
叁两38 分钟前
别再手动刷行业信息了,你可能需要一个"行业研究员"
人工智能