DeepSeek-OCR-2

DeepSeek 开源的 3B 参数视觉语言 OCR 模型，采用创新的 Visual Causal Flow 架构，模拟人类阅读文档的因果视觉流，突破传统 raster scan 的局限。专为文档理解和文本提取设计，支持多栏布局和嵌套表格。Apache-2.0 许可。

🎯适用场景：文档 OCR 和文本提取，特别是多栏布局、嵌套表格等复杂文档结构

#ocr#vision-language#document-understanding#causal-flow#deepseek#3b-params

📥 收录于 2026/8/15

访问工具 📖 官方文档

📊 仓库数据

Stars3,315

Forks285

语言Python

协议Apache-2.0

上线2026/1/27

更新2026/2/3

✅ 优点

•Visual Causal Flow 创新架构
•3B 参数轻量高效
•专为文档理解优化
•Apache-2.0 许可
•权重在 HuggingFace 开放

⚠️ 限制

•最后更新 2026-02-03（6 个月前）
•仅 3B 参数，复杂场景可能受限
•需要 GPU 推理

🔗 相关工具

OpenCV

开源90k↑+5

github.com/opencv/opencv

开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。

🎯多模态内容理解与生成

PaddleOCR

开源88k↑+3

github.com/PaddlePaddle/PaddleOCR

百度开源的多语言 OCR 工具，75,995+ stars。支持 80+ 语言识别，提供超轻量级中文 OCR 模型（仅几 MB），可部署于服务器、移动端和嵌入式设备，是工业级 OCR 方案的首选

🎯多模态内容理解与生成

Tesseract OCR

开源76k↑+3

github.com/tesseract-ocr/tesseract

开源 OCR 引擎，73,620+ stars。由 HP 开发、Google 维护的顶级文字识别引擎，支持 100+ 语言，可识别图片、PDF、扫描件中的文字。结合 LSTM 神经网络实现高精度 OCR，是 AI 文档处理的基础设施。

🎯多模态内容理解与生成

Ultralytics

开源61k↑+5

github.com/ultralytics/ultralytics

YOLO 系列目标检测框架，56,193+ stars。业界最先进的目标检测框架，支持 YOLOv8/v11 等最新模型，提供检测、分割、姿态估计、旋转框检测等任务，API 简洁易用

🎯多模态内容理解与生成

#目标检测#YOLO#计算机视觉#深度学习

YOLOv5

开源58k

github.com/ultralytics/yolov5

YOLOv5 目标检测，57,248+ stars。Ultralytics 出品的实时目标检测模型，以速度和精度著称，支持多种模型规模（Nano 到 XLarge），广泛应用于工业视觉、安防监控等场景

🎯多模态内容理解与生成

#目标检测#计算机视觉#实时推理#Ultralytics

Roboflow Supervision

开源49k↑+6

github.com/roboflow/supervision

可复用的计算机视觉工具库，39.7K+ stars。提供目标检测、实例分割、图像分类等 CV 任务的评估指标和可视化工具，兼容 YOLO、SAM 等主流模型

🎯多模态内容理解与生成

#计算机视觉#目标检测#实例分割#评估指标