DeepSeek-OCR

Распознавалка текстов (и не только) от DeepSeek

Состоит из двух частей – DeepEncoder и DeepSeek-3B-MoE Decoder. DeepEncoder оптически сжимает изображения, превращая его в набор vision токенов.

Под капотом тут SAM + CLIP. SAM извлекает главную структуру и символы: буквы, главы, подписи, картинки, формулы. А CLIP добавляет глобальное понимание контекста

Работает в том числе с формулами, сложными структурами, чертежами, картинками и прочим.

Превосходит MinerU2.0, используя в 9 раз меньше ресурсов

HF
Гитхаб

#OCR #VLM #pdf2text