经常处理文档的朋友想必深有体会：扫描件和PDF文件的处理常常令人头疼。手动录入不仅耗时费力，还容易出错；传统OCR虽然能提取文字，但面对表格、标题、图表混杂的复杂版面，还原后的结构往往不尽如人意。更不用说批量处理了——一个项目动辄成千上万页，传统工具很难胜任。即便成功提取了文字，后续格式化、集成到LLM或知识库时还得再折腾一番，整个流程既冗长又零碎。

举个例子：一家大型法律咨询公司每月需要处理数万页合同扫描件。律师团队的核心需求很简单——快速导入知识库、实现全文搜索、自动生成合同摘要。传统OCR的做法是：先将文字提取出来，但表格、版面、图注等关键信息全部丢失，且输出格式无法直接编辑。最终，仅靠人工整理就要耗费数天时间。

而如果改用DeepSeek-OCR呢？它能直接把扫描件转换为“标题/正文/表格/图注”结构清晰的Markdown格式，之后一键导入知识库。整条流程从“几天”直接缩短到“几小时”。

痛点场景

在实际工作中，许多个人和团队常被以下问题“卡住”：

• 海量扫描／PDF文档：手动录入繁琐、容易出错。
• 文档结构混乱：标题、表格、图表混杂，传统OCR难以还原。
• 批量处理需求强烈：一个项目可能有成千上万页，传统工具难以支撑。
• 后续格式化需求高：文档读取只是第一步，结构化输出（如Markdown、HTML）才有实用价值。
• 与LLM/知识库集成难：OCR得到的只是原始文本，还需二次处理才能用于智能分析。

本次DeepSeek推出的OCR开源模型，核心思路完全不同——它并非“提取文字”，而是“理解文档结构”。

核心功能

使用示例代码

以下是一个官方简化后的入门示例：

from transformers import AutoTokenizer, AutoModel
import torch, os

os.environ["CUDA_VISIBLE_DEVICES"] = "0"
model_name = "deepseek-ai/DeepSeek-OCR"

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 = "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=640,
                  crop_mode=True,
                  sa ve_results=True,
                  test_compress=True)
print("结果保存在：", output_path)

这段代码能快速将一张图片转换为Markdown输出。你也可以改为pdf模式进行批量处理。

技术架构

架构图

技术优势整理

技术栈基础

• Python 3.12.x + CUDA 11.8 构建（官方环境）
• PyTorch 2.6.0、Transformers 4.46.3、Flash-Attn 2.7.3 等。
• 支持 vLLM 引擎推理，加速批量任务。

界面效果

• 界面1：Web UI界面，左侧上传图像或PDF，右侧实时显示识别结构。
• 界面2：批量处理界面，显示待处理文件、进度条、已完成项。
• 界面3：输出Markdown预览，标题、正文、表格、图表均有保留。

这些截图直观展示了从“原始扫描件”到“结构化文本”的完整流程，大大降低了使用门槛，非技术用户也能快速上手。

应用场景

结合功能和实际效果，以下几个场景特别值得尝试：

• 合同／协议整理：法律、财务团队将扫描合同批量转换为编辑友好的Markdown，再导入知识库。
• 报告归档与分析：科研机构或企业将PDF报告处理为结构化文本，方便全文检索与摘要。
• 政务／档案数字化：政府部门扫描公文，转化为可编辑格式入档。
• 教育资源整理：将讲义、教材扫描件批量转换为可检索、可编辑的Markdown教材。
• 培训／客户资料归档：企业讲义、方案书、客户手册等PDF资料，快速加工为结构化内容便于管理。

不管是“一件事一份文档”的小量场景，还是“千万页/月”的海量场景，DeepSeek-OCR都具备很强的适配能力。

与同类项目对比及产品优势

产品优势总结：

• 深度结构化：相比传统OCR仅提取文字，DeepSeek-OCR关注的是“文档结构”本身。
• 高吞吐＋压缩：长文档、批量文档场景显著优于多数工具。
• 开源自部署：适合企业、机构构建私有化流程，降低SaaS风险。
• 输出格式友好：Markdown输出方便编辑、检索、二次加工。

总结

如果正面临大量扫描文档或PDF文件，或者希望把“被动输入＋手工整理”的流程彻底自动化、结构化，那么DeepSeek-OCR是一个值得立即尝试的项目。它不仅提升了识别效率，更重要的是提升了后续数据的可用性——这才是关键所在。

项目地址

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