deepseek-ai/deepseek-ocr は文書画像から文字と構造情報を読み取るオープンソースモデルリポジトリです。README は vLLM と Transformers を使った推論方法に加え、画像のテキスト認識や文書を Markdown に変換するサンプル、PDF 処理コードを案内しています。リポジトリは 2025 年 10 月 17 日に作成され、バージョンが表示された公開リリースはありません。
文書画像と光学圧縮（optical compression）を研究するモデルです。README は、このモデルが視覚テキスト圧縮の限界を探り、大規模言語モデル中心の視点から視覚エンコーダの役割を研究すると述べています。このリポジトリの中心は視覚文書からテキストと構造情報を抽出するモデル推論の提供であり、サンプルはテキスト認識・Markdown 変換・PDF 処理に分かれて収録されています。実装言語は Python、ライセンスは MIT、GitHub スターは 24028 です。
ただし、このリポジトリについて性能指標や評価スコアは示されていません。README が案内する範囲は推論方法とサンプルコードまでで、精度がどの水準にあるのか、構造がどれだけ正確に反映されるのかは、コードを実際に実行してみるまで分かりません。他のツールと比較するための性能基準もこの資料にはありません。バージョンが表示されたリリースもなく、どの状態を基準にすべきか決めにくいです。この資料だけでは、精度が重要な業務にそのまま適用できるとは判断できません。