DeepSeek OCR

Aperçu

DeepSeek OCR est un système d’IA documentaire à la pointe de la technologie, basé sur des transformeurs, conçu pour offrir une précision, une efficacité et des capacités multilingues inégalées dans les tâches de reconnaissance optique de caractères. En compressant des documents haute résolution en jetons visuels ultra-compactes et en les décodant à l’aide d’un puissant modèle linguistique « mixture-of-experts », DeepSeek OCR atteint une compréhension quasi sans perte du texte, de la mise en page et des schémas dans plus de 100 langues.

Son architecture innovante s’adapte à différents profils de précision — du mode Tiny pour un débit rapide au mode Gundam pour une fidélité maximale — ce qui le rend adapté à un large éventail d’applications, notamment juridiques, financières, scientifiques et multilingues. Le moteur atteint une précision de correspondance exacte de 97 % sur des jeux de données de référence tout en traitant jusqu’à 200 000 pages par jour sur un seul GPU NVIDIA A100.

Un atout clé réside dans son pipeline de compression : réduction d’une page 1024×1024 à seulement 256 jetons sans compromettre l’intégrité de la mise en page. Associé à un pré-entraînement multimodal, DeepSeek OCR conserve les légendes, tableaux, formules et même les notations scientifiques spécialisées, permettant des tâches en aval telles que l’intégration analytique, l’indexation de recherche et la synthèse assistée par IA.

Caractéristiques clés

• Compression haute précision : Le moteur Context Optical Compression réduit les images de documents jusqu’à 10× sans perte significative de précision, permettant l’ingestion de longs documents.
• Architecture avancée :
  • Étape 1 : Vision transformer SAM en fenêtres + encodeur CLIP-Large + compresseur convolutionnel 16×.
  • Étape 2 : Décodeur DeepSeek-3B-MoE (~570 M de paramètres actifs par jeton) pour reconstruire du texte et des annotations structurés.
• Sortie structurée : Génère des tableaux HTML, graphiques Markdown, chaînes chimiques SMILES, annotations géométriques — directement exploitables par machine.
• Portée multilingue : Plus de 100 langues couvertes, y compris latin, CJK, cyrillique et scripts scientifiques spécialisés.