---

📥 模型下载 | 📄 论文链接 | 📄 Arxiv 论文链接 |

DeepSeek-OCR 2：视觉因果流 (Visual Causal Flow)

探索更多类人的视觉编码 (visual encoding)。

目录

• 安装
• vLLM 推理 (vLLM Inference)
• Transformers 推理 (Transformers Inference)

安装

我们的环境是 CUDA 11.8 + PyTorch 2.6.0。

1. 克隆此仓库并导航至 DeepSeek-OCR-2 文件夹

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

2. Conda (环境管理工具)

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

3. 安装包

• 下载 vllm-0.8.5 whl (wheel 安装包)

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

注意： 如果您希望 vLLM (推理框架) 和 Transformers (库) 代码在同一环境中运行，无需担心此类安装错误：vllm 0.8.5+cu118 requires transformers>=4.51.1

vLLM 推理 (vLLM Inference)

• vLLM (推理框架)：

注意： 在 DeepSeek-OCR2-master/DeepSeek-OCR2-vllm/config.py 中修改 INPUT_PATH/OUTPUT_PATH 和其他设置

cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm

1. 图像：流式输出 (Streaming Output)

python run_dpsk_ocr2_image.py

2. PDF：并发 (Concurrency)（速度与 DeepSeek-OCR 相当）

python run_dpsk_ocr2_pdf.py

3. 基准测试 (Benchmarks) 的批量评估（例如 OmniDocBench v1.5）

python run_dpsk_ocr2_eval_batch.py

Transformers 推理 (Transformers Inference)

• Transformers (库)

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 = "<image>\nFree OCR. "
prompt = "<image>\n<|grounding|>Convert 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)

或者您可以

cd DeepSeek-OCR2-master/DeepSeek-OCR2-hf
python run_dpsk_ocr2.py

支持模式

• 动态分辨率 (Dynamic Resolution)
  • 默认：(0-6)×768×768 + 1×1024×1024 — (0-6)×144 + 256 视觉 token (Visual Tokens) ✅

主要提示词 (Prompts)

# document: <image>\n<|grounding|>Convert the document to markdown.
# without layouts: <image>\nFree OCR.

致谢

我们要感谢 DeepSeek-OCR、Vary、GOT-OCR2.0、MinerU、PaddleOCR 提供的宝贵模型。

我们也感谢基准测试 OmniDocBench。

引用

@article{wei2025deepseek,
  title={DeepSeek-OCR: Contexts Optical Compression},
  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},
  journal={arXiv preprint arXiv:2510.18234},
  year={2025}
}
@article{wei2026deepseek,
  title={DeepSeek-OCR 2: Visual Causal Flow},
  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},
  journal={arXiv preprint arXiv:2601.20552},
  year={2026}
}

DeepSeek-OCR-2 快速上手指南

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (x86_64)
• CUDA 版本: 11.8
• Python 版本: 3.12.9
• PyTorch 版本: 2.6.0
• 显卡驱动: 支持 CUDA 11.8 的 NVIDIA 驱动

安装步骤

1. 克隆仓库

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

2. 创建 Conda 环境

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

3. 安装依赖包 首先安装 PyTorch 及相关组件：

   pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118
   

   下载 vLLM wheel 包（版本 0.8.5）：

   • 下载地址：vllm-0.8.5 whl
   • 请选择与 cu118 和 cp38-abi3 对应的文件（例如：vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl）

   安装 vLLM 及其他依赖：

   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
   

   注意: 若需在同一环境中运行 vLLM 和 Transformers 代码，可忽略关于 transformers>=4.51.1 的版本警告。

基本使用

以下提供基于 Transformers 的最简推理示例。

1. 准备文件 确保有一张测试图片（例如 your_image.jpg）和一个输出目录。

2. 运行推理代码

   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)
   
   # 设置 Prompt 和图片路径
   prompt = "<image>\n<|grounding|>Convert the document to markdown. "
   image_file = 'your_image.jpg'
   output_path = 'your/output/dir'
   
   # 执行推理
   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)
   

3. 常用 Prompt 模式

   • 文档转换: <image>\n<|grounding|>Convert the document to markdown.
   • 自由 OCR: <image>\nFree OCR.

4. 脚本运行方式 您也可以直接运行提供的脚本：

   cd DeepSeek-OCR2-master/DeepSeek-OCR2-hf
   python run_dpsk_ocr2.py