[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-deepseek-ai--DeepSeek-OCR-2":3,"tool-deepseek-ai--DeepSeek-OCR-2":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":105,"github_topics":79,"view_count":106,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":115},104,"deepseek-ai\u002FDeepSeek-OCR-2","DeepSeek-OCR-2","Visual Causal Flow","DeepSeek-OCR-2 是一款先进的开源光学字符识别模型，致力于将图像和复杂文档高效转换为可编辑的 Markdown 格式。它核心采用了“视觉因果流”（Visual Causal Flow）技术，探索更接近人类视觉理解的编码方式，有效解决了传统 OCR 在处理复杂布局、高分辨率图像及逻辑推理时的局限性。\n\n在技术特性上，DeepSeek-OCR-2 支持动态分辨率输入，能够灵活适应不同尺寸的文档内容。同时，它兼容 vLLM 和 Transformers 主流推理框架，结合 Flash Attention 2 优化，在保证高精度的前提下实现了高效的并发处理速度，尤其在 PDF 文档处理上表现优异。\n\n这款模型适合开发者、人工智能研究人员以及需要高质量文档数字化解决方案的技术团队使用。通过简单的环境配置，用户即可本地部署并进行流式输出或批量评估，为构建智能文档处理应用提供强有力的底层支持。","\u003C!-- markdownlint-disable first-line-h1 -->\n\u003C!-- markdownlint-disable html -->\n\u003C!-- markdownlint-disable no-duplicate-header -->\n\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"assets\u002Flogo.svg\" width=\"60%\" alt=\"DeepSeek AI\" \u002F>\n\u003C\u002Fdiv>\n\n\n\u003Chr>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fwww.deepseek.com\u002F\" target=\"_blank\">\n    \u003Cimg alt=\"Homepage\" src=\"assets\u002Fbadge.svg\" \u002F>\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdeepseek-ai\u002FDeepSeek-OCR-2\" target=\"_blank\">\n    \u003Cimg alt=\"Hugging Face\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-DeepSeek%20AI-ffc107?color=ffc107&logoColor=white\" \u002F>\n  \u003C\u002Fa>\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FTc7c45Zzu5\" target=\"_blank\">\n    \u003Cimg alt=\"Discord\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-DeepSeek%20AI-7289da?logo=discord&logoColor=white&color=7289da\" \u002F>\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Fdeepseek_ai\" target=\"_blank\">\n    \u003Cimg alt=\"Twitter Follow\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FTwitter-deepseek_ai-white?logo=x&logoColor=white\" \u002F>\n  \u003C\u002Fa>\n\n\u003C\u002Fdiv>\n\n\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdeepseek-ai\u002FDeepSeek-OCR-2\">\u003Cb>📥 Model Download\u003C\u002Fb>\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepseek-ai_DeepSeek-OCR-2_readme_3d1a230480e6.png\">\u003Cb>📄 Paper Link\u003C\u002Fb>\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2601.20552\">\u003Cb>📄 Arxiv Paper Link\u003C\u002Fb>\u003C\u002Fa> |\n\u003C\u002Fp>\n\n\u003Ch2>\n\u003Cp align=\"center\">\n  \u003Ca href=\"\">DeepSeek-OCR 2: Visual Causal Flow\u003C\u002Fa>\n\u003C\u002Fp>\n\u003C\u002Fh2>\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"assets\u002Ffig1.png\" style=\"width: 600px\" align=center>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n\u003Ca href=\"\">Explore more human-like visual encoding.\u003C\u002Fa>       \n\u003C\u002Fp>\n\n\n## Contents\n- [Install](#install)\n- [vLLM Inference](#vllm-inference)\n- [Transformers Inference](#transformers-inference)\n  \n\n\n\n\n## Install\n>Our environment is cuda11.8+torch2.6.0.\n1. Clone this repository and navigate to the DeepSeek-OCR-2 folder\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-OCR-2.git\n```\n2. Conda\n```Shell\nconda create -n deepseek-ocr2 python=3.12.9 -y\nconda activate deepseek-ocr2\n```\n3. Packages\n\n- download the vllm-0.8.5 [whl](https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\u002Freleases\u002Ftag\u002Fv0.8.5) \n```Shell\npip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl\npip install -r requirements.txt\npip install flash-attn==2.7.3 --no-build-isolation\n```\n**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\n\n## vLLM-Inference\n- VLLM:\n>**Note:** change the INPUT_PATH\u002FOUTPUT_PATH and other settings in the DeepSeek-OCR2-master\u002FDeepSeek-OCR2-vllm\u002Fconfig.py\n```Shell\ncd DeepSeek-OCR2-master\u002FDeepSeek-OCR2-vllm\n```\n1. image: streaming output\n```Shell\npython run_dpsk_ocr2_image.py\n```\n2. pdf: concurrency (on-par speed with DeepSeek-OCR)\n```Shell\npython run_dpsk_ocr2_pdf.py\n```\n3. batch eval for benchmarks (i.e., OmniDocBench v1.5)\n```Shell\npython run_dpsk_ocr2_eval_batch.py\n```\n\n## Transformers-Inference\n- Transformers\n```python\nfrom transformers import AutoModel, AutoTokenizer\nimport torch\nimport os\nos.environ[\"CUDA_VISIBLE_DEVICES\"] = '0'\nmodel_name = 'deepseek-ai\u002FDeepSeek-OCR-2'\n\ntokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)\nmodel = AutoModel.from_pretrained(model_name, _attn_implementation='flash_attention_2', trust_remote_code=True, use_safetensors=True)\nmodel = model.eval().cuda().to(torch.bfloat16)\n\n# prompt = \"\u003Cimage>\\nFree OCR. \"\nprompt = \"\u003Cimage>\\n\u003C|grounding|>Convert the document to markdown. \"\nimage_file = 'your_image.jpg'\noutput_path = 'your\u002Foutput\u002Fdir'\n\nres = 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)\n```\nor you can\n```Shell\ncd DeepSeek-OCR2-master\u002FDeepSeek-OCR2-hf\npython run_dpsk_ocr2.py\n```\n## Support-Modes\n- Dynamic resolution\n  - Default: (0-6)×768×768 + 1×1024×1024 — (0-6)×144 + 256 visual tokens ✅\n\n## Main Prompts\n```python\n# document: \u003Cimage>\\n\u003C|grounding|>Convert the document to markdown.\n# without layouts: \u003Cimage>\\nFree OCR.\n```\n\n\n\n\n## Acknowledgement\n\nWe would like to thank [DeepSeek-OCR](https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-OCR\u002F), [Vary](https:\u002F\u002Fgithub.com\u002FUcas-HaoranWei\u002FVary\u002F), [GOT-OCR2.0](https:\u002F\u002Fgithub.com\u002FUcas-HaoranWei\u002FGOT-OCR2.0\u002F), [MinerU](https:\u002F\u002Fgithub.com\u002Fopendatalab\u002FMinerU), [PaddleOCR](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleOCR) for their valuable models.\n\nWe also appreciate the benchmark [OmniDocBench](https:\u002F\u002Fgithub.com\u002Fopendatalab\u002FOmniDocBench).\n\n## Citation\n\n```bibtex\n@article{wei2025deepseek,\n  title={DeepSeek-OCR: Contexts Optical Compression},\n  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},\n  journal={arXiv preprint arXiv:2510.18234},\n  year={2025}\n}\n@article{wei2026deepseek,\n  title={DeepSeek-OCR 2: Visual Causal Flow},\n  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},\n  journal={arXiv preprint arXiv:2601.20552},\n  year={2026}\n}\n","\u003C!-- markdownlint-disable first-line-h1 -->\n\u003C!-- markdownlint-disable html -->\n\u003C!-- markdownlint-disable no-duplicate-header -->\n\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"assets\u002Flogo.svg\" width=\"60%\" alt=\"DeepSeek AI\" \u002F>\n\u003C\u002Fdiv>\n\n\n\u003Chr>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fwww.deepseek.com\u002F\" target=\"_blank\">\n    \u003Cimg alt=\"Homepage\" src=\"assets\u002Fbadge.svg\" \u002F>\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdeepseek-ai\u002FDeepSeek-OCR-2\" target=\"_blank\">\n    \u003Cimg alt=\"Hugging Face\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-DeepSeek%20AI-ffc107?color=ffc107&logoColor=white\" \u002F>\n  \u003C\u002Fa>\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FTc7c45Zzu5\" target=\"_blank\">\n    \u003Cimg alt=\"Discord\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-DeepSeek%20AI-7289da?logo=discord&logoColor=white&color=7289da\" \u002F>\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Fdeepseek_ai\" target=\"_blank\">\n    \u003Cimg alt=\"Twitter Follow\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FTwitter-deepseek_ai-white?logo=x&logoColor=white\" \u002F>\n  \u003C\u002Fa>\n\n\u003C\u002Fdiv>\n\n\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdeepseek-ai\u002FDeepSeek-OCR-2\">\u003Cb>📥 模型下载\u003C\u002Fb>\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepseek-ai_DeepSeek-OCR-2_readme_3162f5f133fd.png\">\u003Cb>📄 论文链接\u003C\u002Fb>\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2601.20552\">\u003Cb>📄 Arxiv 论文链接\u003C\u002Fb>\u003C\u002Fa> |\n\u003C\u002Fp>\n\n\u003Ch2>\n\u003Cp align=\"center\">\n  \u003Ca href=\"\">DeepSeek-OCR 2：视觉因果流 (Visual Causal Flow)\u003C\u002Fa>\n\u003C\u002Fp>\n\u003C\u002Fh2>\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"assets\u002Ffig1.png\" style=\"width: 600px\" align=center>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n\u003Ca href=\"\">探索更多类人的视觉编码 (visual encoding)。\u003C\u002Fa>       \n\u003C\u002Fp>\n\n\n## 目录\n- [安装](#install)\n- [vLLM 推理 (vLLM Inference)](#vllm-inference)\n- [Transformers 推理 (Transformers Inference)](#transformers-inference)\n  \n\n\n\n\n## 安装\n>我们的环境是 CUDA 11.8 + PyTorch 2.6.0。\n1. 克隆此仓库并导航至 DeepSeek-OCR-2 文件夹\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-OCR-2.git\n```\n2. Conda (环境管理工具)\n```Shell\nconda create -n deepseek-ocr2 python=3.12.9 -y\nconda activate deepseek-ocr2\n```\n3. 安装包\n\n- 下载 vllm-0.8.5 [whl (wheel 安装包)](https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\u002Freleases\u002Ftag\u002Fv0.8.5) \n```Shell\npip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl\npip install -r requirements.txt\npip install flash-attn==2.7.3 --no-build-isolation\n```\n**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\n\n## vLLM 推理 (vLLM Inference)\n- vLLM (推理框架)：\n>**注意：** 在 DeepSeek-OCR2-master\u002FDeepSeek-OCR2-vllm\u002Fconfig.py 中修改 INPUT_PATH\u002FOUTPUT_PATH 和其他设置\n```Shell\ncd DeepSeek-OCR2-master\u002FDeepSeek-OCR2-vllm\n```\n1. 图像：流式输出 (Streaming Output)\n```Shell\npython run_dpsk_ocr2_image.py\n```\n2. PDF：并发 (Concurrency)（速度与 DeepSeek-OCR 相当）\n```Shell\npython run_dpsk_ocr2_pdf.py\n```\n3. 基准测试 (Benchmarks) 的批量评估（例如 OmniDocBench v1.5）\n```Shell\npython run_dpsk_ocr2_eval_batch.py\n```\n\n## Transformers 推理 (Transformers Inference)\n- Transformers (库)\n```python\nfrom transformers import AutoModel, AutoTokenizer\nimport torch\nimport os\nos.environ[\"CUDA_VISIBLE_DEVICES\"] = '0'\nmodel_name = 'deepseek-ai\u002FDeepSeek-OCR-2'\n\ntokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)\nmodel = AutoModel.from_pretrained(model_name, _attn_implementation='flash_attention_2', trust_remote_code=True, use_safetensors=True)\nmodel = model.eval().cuda().to(torch.bfloat16)\n\n# prompt = \"\u003Cimage>\\nFree OCR. \"\nprompt = \"\u003Cimage>\\n\u003C|grounding|>Convert the document to markdown. \"\nimage_file = 'your_image.jpg'\noutput_path = 'your\u002Foutput\u002Fdir'\n\nres = 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)\n```\n或者您可以\n```Shell\ncd DeepSeek-OCR2-master\u002FDeepSeek-OCR2-hf\npython run_dpsk_ocr2.py\n```\n## 支持模式\n- 动态分辨率 (Dynamic Resolution)\n  - 默认：(0-6)×768×768 + 1×1024×1024 — (0-6)×144 + 256 视觉 token (Visual Tokens) ✅\n\n## 主要提示词 (Prompts)\n```python\n# document: \u003Cimage>\\n\u003C|grounding|>Convert the document to markdown.\n# without layouts: \u003Cimage>\\nFree OCR.\n```\n\n\n\n\n## 致谢\n\n我们要感谢 [DeepSeek-OCR](https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-OCR\u002F)、[Vary](https:\u002F\u002Fgithub.com\u002FUcas-HaoranWei\u002FVary\u002F)、[GOT-OCR2.0](https:\u002F\u002Fgithub.com\u002FUcas-HaoranWei\u002FGOT-OCR2.0\u002F)、[MinerU](https:\u002F\u002Fgithub.com\u002Fopendatalab\u002FMinerU)、[PaddleOCR](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleOCR) 提供的宝贵模型。\n\n我们也感谢基准测试 [OmniDocBench](https:\u002F\u002Fgithub.com\u002Fopendatalab\u002FOmniDocBench)。\n\n## 引用\n\n```bibtex\n@article{wei2025deepseek,\n  title={DeepSeek-OCR: Contexts Optical Compression},\n  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},\n  journal={arXiv preprint arXiv:2510.18234},\n  year={2025}\n}\n@article{wei2026deepseek,\n  title={DeepSeek-OCR 2: Visual Causal Flow},\n  author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},\n  journal={arXiv preprint arXiv:2601.20552},\n  year={2026}\n}","# DeepSeek-OCR-2 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (x86_64)\n*   **CUDA 版本**: 11.8\n*   **Python 版本**: 3.12.9\n*   **PyTorch 版本**: 2.6.0\n*   **显卡驱动**: 支持 CUDA 11.8 的 NVIDIA 驱动\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-OCR-2.git\n    cd DeepSeek-OCR-2\n    ```\n\n2.  **创建 Conda 环境**\n    ```bash\n    conda create -n deepseek-ocr2 python=3.12.9 -y\n    conda activate deepseek-ocr2\n    ```\n\n3.  **安装依赖包**\n    首先安装 PyTorch 及相关组件：\n    ```bash\n    pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n    ```\n\n    下载 vLLM  wheel 包（版本 0.8.5）：\n    *   下载地址：[vllm-0.8.5 whl](https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\u002Freleases\u002Ftag\u002Fv0.8.5)\n    *   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`）\n\n    安装 vLLM 及其他依赖：\n    ```bash\n    pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl\n    pip install -r requirements.txt\n    pip install flash-attn==2.7.3 --no-build-isolation\n    ```\n    > **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。\n\n## 基本使用\n\n以下提供基于 Transformers 的最简推理示例。\n\n1.  **准备文件**\n    确保有一张测试图片（例如 `your_image.jpg`）和一个输出目录。\n\n2.  **运行推理代码**\n    ```python\n    from transformers import AutoModel, AutoTokenizer\n    import torch\n    import os\n\n    os.environ[\"CUDA_VISIBLE_DEVICES\"] = '0'\n    model_name = 'deepseek-ai\u002FDeepSeek-OCR-2'\n\n    tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)\n    model = AutoModel.from_pretrained(model_name, _attn_implementation='flash_attention_2', trust_remote_code=True, use_safetensors=True)\n    model = model.eval().cuda().to(torch.bfloat16)\n\n    # 设置 Prompt 和图片路径\n    prompt = \"\u003Cimage>\\n\u003C|grounding|>Convert the document to markdown. \"\n    image_file = 'your_image.jpg'\n    output_path = 'your\u002Foutput\u002Fdir'\n\n    # 执行推理\n    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)\n    ```\n\n3.  **常用 Prompt 模式**\n    *   **文档转换**: `\u003Cimage>\\n\u003C|grounding|>Convert the document to markdown. `\n    *   **自由 OCR**: `\u003Cimage>\\nFree OCR. `\n\n4.  **脚本运行方式**\n    您也可以直接运行提供的脚本：\n    ```bash\n    cd DeepSeek-OCR2-master\u002FDeepSeek-OCR2-hf\n    python run_dpsk_ocr2.py\n    ```","某金融科技团队正在构建智能投研知识库，需要将海量扫描版上市公司年报转化为结构化 Markdown，以便下游大模型进行精准的财务数据分析与检索。\n\n### 没有 DeepSeek-OCR-2 时\n- 传统 OCR 引擎难以识别年报中的复杂跨页财务报表，行列结构经常发生错乱。\n- 高分辨率扫描件处理效率低下，单份文档转换耗时过长，无法满足批量需求。\n- 混合布局（图文混排）还原度差，导致关键数据与其上下文逻辑关系丢失。\n- 需要额外开发大量脚本进行后处理，人工修复识别错误的公式和特殊符号。\n\n### 使用 DeepSeek-OCR-2 后\n- DeepSeek-OCR-2 利用 Visual Causal Flow 技术精准还原表格逻辑，结构完整性显著提升。\n- 支持 vLLM 并发推理与动态分辨率适配，批量处理 PDF 速度大幅提升，实现准实时转换。\n- 类人视觉编码能力强大，图文混排内容识别准确，关键财务指标上下文保留完好。\n- 直接输出高质量 Markdown 无需额外预处理，大幅减少了后续数据清洗的人力投入。\n\nDeepSeek-OCR-2 通过类人视觉编码实现了复杂金融文档的高保真数字化，将数据清洗成本降低了 80% 以上。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepseek-ai_DeepSeek-OCR-2_6f4981ea.png","deepseek-ai","DeepSeek","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdeepseek-ai_04503588.png","",null,"service@deepseek.com","https:\u002F\u002Fwww.deepseek.com\u002F","https:\u002F\u002Fgithub.com\u002Fdeepseek-ai",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,2655,217,"2026-04-05T17:00:04","Apache-2.0","Linux","需要 NVIDIA GPU，CUDA 11.8，显存大小未说明","未说明",{"notes":96,"python":97,"dependencies":98},"建议使用 conda 创建环境；vLLM 和 Transformers 代码可在同一环境运行；需手动下载 vLLM 的 whl 包安装；模型权重需从 Hugging Face 下载；支持动态分辨率模式","3.12.9",[99,100,101,102,103,104],"torch==2.6.0","torchvision==0.21.0","torchaudio==2.6.0","vllm==0.8.5","flash-attn==2.7.3","transformers>=4.51.1",[14,26,54],21,"2026-03-27T02:49:30.150509","2026-04-06T07:16:17.344390",[110],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},19,"这个模型支持结构化输出吗？","DeepSeek OCR-2 主要专注于原始文本提取，原生不支持结构化输出。您需要通过后处理步骤从 OCR 输出中提取键值对。推荐方案包括：\n1. 构建双 AI 管道：第一个模型处理视觉提取，第二个模型将输出结构化为 JSON\u002FSchema。可参考开源项目 [vision-ingest](https:\u002F\u002Fgithub.com\u002Fgibbenergy\u002FVision-Ingest)。\n2. 结合下游 LLM：将 DeepSeek OCR-2 提取的原始文本传递给大语言模型，解析为目标 Schema（如姓名、性别、地址等）。","https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-OCR-2\u002Fissues\u002F43",[]]