近日，ocr技术领域迎来了爆发期，各类先进模型层出不穷，如百度的paddleocr-vl、阿里的qwen3-vl、小红书推出的dots-ocr，以及nanonets发布的ocr2等。其中，deepseek发布了题为《deepseek-ocr：基于视觉压缩的大模型长上下文增强方案》的研究论文，并同步开源了其模型权重。
DeepSeek-OCR的核心包含两大部分：一是纯粹的OCR能力，这也是本次实测的重点；二是“上下文光学压缩”（Contexts Optical Compression）技术，该技术有效缓解了大模型在处理长文本时面临的算力瓶颈问题。这项创新让AI在处理视觉信息时更接近人类的记忆机制，可能成为通向下一代智能的关键路径。通过视觉压缩实现“以小博大”，DeepSeek-OCR在长文档处理中实现了精度与效率的新平衡，甚至获得了Andrej Karpathy的高度评价。
在OCR性能方面，DeepSeek-OCR表现亮眼。当压缩比≤10倍时，识别准确率超过95%，几乎无损。在ICDAR 2023数据集上，10倍压缩下准确率达到97.3%，处理速度达8.2页/秒，仅占用4.5GB显存。相较之下，MinerU2.0每页输出约6000+ tokens，速度仅为1.5页/秒，显存消耗高达12.8GB，明显处于劣势。实际应用场景中，该模型处理286页年报表格还原率达95.7%，耗时仅4分钟；论文中的公式识别率达到92.1%，生成的LaTeX代码可直接使用；合同批注关联识别率达到89.5%，比Tesseract高出27个百分点。
接下来进入具体测试环节。由于未进行本地部署，测试采用了Hugging Face平台上由用户khang119966搭建的Gradio演示空间（https://www.php.cn/link/9a2df0715e604dc5b670a2ffcc67dbc7 2.5 Pro）进行LaTeX公式识别对比时所用的案例。当时因DeepSeek尚不支持多模态，未能参与评测，此次正好补全这一空缺。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
例1为中高难度模糊手写公式，数字采用欧洲书写习惯，例如7中间带横线，且有一个8极似6。此前测试中仅Gemini 2.5 Pro成功识别，而DeepSeek-OCR与其他多数模型一样，将模糊的8误判为6，且输出中夹杂一段异常字符串，需手动删除后方可正常解析。百度PaddleOCR同样将8识别为6，未能正确还原。
例2为简单印刷体公式，任务较为基础，DeepSeek-OCR与其他主流模型均能顺利完成识别。
例3涉及多个复杂公式的批量识别，DeepSeek-OCR整体完成尚可，但存在明显瑕疵：中间插入了非预期符号，且缺乏合理换行，影响阅读和后续使用；相比之下，百度PaddleOCR处理得更为整洁规范。
例4为包含矩阵运算的高阶公式，DeepSeek-OCR表现良好，结构还原准确，LaTeX语法正确。
例5是最高难度的手写混合场景——公式嵌入段落文本中，且手写横线与笔记本原装横线重叠干扰，仅Gemini 2.5 Pro成功识别，DeepSeek-OCR结果较差，未能有效分离内容。此外，在复杂表格识别任务中，DeepSeek-OCR未能准确提取表头信息，而百度PaddleOCR-VL表现出色。值得注意的是，测试过程中使用的HF Space稳定性欠佳，常无法同时加载不同模型的结果，限制了横向对比的完整性。
综合来看，DeepSeek-OCR确实展现了强大的技术潜力和创新价值，尤其在长上下文处理与视觉压缩方面的突破值得肯定。然而就当前OCR任务的实际表现而言，它尚未达到SOTA水平。需要强调的是，这并非否定其优秀——其架构设计理念极具前瞻性——但在上述几个测试实例中，其OCR能力确实略逊于百度PaddleOCR-VL这款参数量仅0.9B的小型模型。
另外，在实际应用中，DeepSeek-OCR将PDF转换为Markdown的速度极为出色，22页文档不到一分钟即可完成，但返回格式为JSON，正文内容冗长，缺乏可视化预览，查阅不便。同时，模型并未对插图进行语义理解，其他功能则基本达标。
