← すべてのモデル

DeepSeek-OCR

公開日 提供元 DeepSeek

概要

DeepSeek-OCRは、画像を通じたテキストの圧縮と復元を研究するOCRモデルです。DeepSeekの公式リポジトリによる公開日は2025年10月20日です。論文では、画像エンコーダーとMoEデコーダーを組み合わせた構成が説明されています。 (github.com)

能力と用途

  • 画像内の文字認識、文書のMarkdown変換、図の解析、画像内の指定文字列の位置特定などに利用できます。 (github.com)
  • 文書のデジタル化、レイアウトを含む文書解析、言語・視覚モデル向け学習データの生成などが用途として挙げられます。 (arxiv.org)
  • 論文の実験では、視覚トークンに対するテキストトークンの圧縮率が10倍未満の場合、OCR復元精度は約97%と報告されています。これは特定の評価条件での結果であり、あらゆる文書での精度を保証するものではありません。 (arxiv.org)

提供形態と制限

モデルのコードと重みは公開され、公式モデルカードにはMITライセンスと約30億パラメータの表記があります。TransformersやvLLMを用いた推論例が公開されています。 (huggingface.co)

認識結果は画像や文書の条件に左右され、誤認識があり得るため、重要な文書では確認が必要です。論文では圧縮率が約20倍の場合のOCR精度は約60%と報告されています。 (arxiv.org)

料金

DeepSeek-OCRモデル自体を指定する公式ホストAPIの入力・出力料金は未確認です。 以下は別途提供されるDeepSeek公式OCR APIの料金であり、そのAPIが本モデルを使用すると公式資料で確認できたものではありません。

いずれもページ単位の料金で、入力・出力トークンは別々に課金されません。失敗またはタイムアウトした認識は課金されません。両通貨の料金はそれぞれの公式案内に記載されたもので、為替換算値ではありません。確認日:2026年11月17日。 (api-docs.deepseek.com)

公式資料