Hướng dẫn chạy Deepseek OCR trên Windows 10 Tiền đề bài viết DeepSeek-OCR là một mô hình nhận diện ký tự quang học (OCR: Optical Character Recognition) được phát triển bởi DeepSeek AI – một công ty AI tại Trung Quốc. DeepSeek-OCR mới vừa ra đời không lâu nhưng đã thu hút sự chú ý bởi khả năng nhận diện ký tự rất chính xác và quan trọng là chạy offline. Vì vậy, đây là 1 công nghệ giàu tiềm năng ứng dụng trong tương lai. Bài viết này sẽ hướng dẫn các bạn trải nghiệm Deepseek OCR nhanh chóng và dễ dàng nhất. Lưu ý: bạn cần có GPU NVIDIA hỗ trợ CUDA để chạy. Giới thiệu về Deepseek OCR DeepSeek-OCR sử dụng một kiến trúc hai thành phần chính: 1| hubdocu.com DeepEncoder: bộ mã hoá hình ảnh – nó nhận vào hình ảnh (chẳng hạn một trang scan) rồi chuyển đổi thành các “vision tokens” (tức là các đại diện số học cho vùng hình ảnh) thông qua một kiến trúc kết hợp giữa perception local (ví dụ như SAM-type attention) và global understanding (ví dụ như CLIP-type). DeepSeek3B-MoE (Mixture-of-Experts) decoder: thành phần giải mã – nó nhận các vision tokens đã được nén rồi tái cấu trúc thành văn bản bằng cách sử dụng mô hình ngôn ngữ dạng Mixture-of-Experts. Một yếu tố rất khác ở DeepSeek-OCR là optical context compression (nén bối cảnh thông qua bản đồ 2D hình ảnh) — tức là mô hình không chỉ xem hình ảnh để lấy ký tự mà sử dụng việc “render hình ảnh từ văn bản/hoặc từ hình ảnh tài liệu” như một bước trung gian để giảm số lượng token cần xử lý khi so với việc chỉ xử lý văn bản thuần túy. VD: việc chuyển một trang văn bản sang hình ảnh rồi từ hình ảnh đó trích văn bản lại cho phép giảm tỷ lệ token tới 7-20 lần so với việc dùng token chỉ từ văn bản. 2| hubdocu.com Ngoài ra, mô hình hỗ trợ chế độ đa độ phân giải (“multi-resolution design”) để xử lý các tài liệu có kết cấu phức tạp (bảng biểu, nhiều cột, ảnh chụp màn hình, v.v) hiệu quả hơn. Cuối cùng, DeepSeek-OCR được phổ biến rộng rãi dưới dạng open-source để bạn chạy trên máy tính của mình. Giới thiệu về deepseek_ocr_a

Lire le document entier