Atualizado: 8 de julho de 2026 · Conteúdo revisado com base nas informações públicas mais recentes sobre o DeepSeek OCR.
Você já tentou extrair texto de um PDF escaneado, de um contrato antigo ou de uma foto tirada às pressas e recebeu de volta um resultado cheio de erros? O DeepSeek OCR nasceu para resolver exatamente esse tipo de dor de cabeça. Em vez de tratar o documento como texto puro, ele comprime a imagem da página em poucos tokens visuais e ainda assim recupera o conteúdo com alta fidelidade.
Neste guia explicamos o que é o modelo, como ele funciona por dentro e como testá-lo hoje mesmo. Se preferir tirar dúvidas rápidas enquanto lê, o chat de DeepSeek em português grátis está sempre à mão. E se você ainda não conhece o panorama geral das ferramentas para desenvolvedores, vale começar pelo nosso DeepSeek API: guia para desenvolvedores antes de mergulhar neste modelo específico de reconhecimento óptico de caracteres.
Sitio independiente e informativo, no afiliado a DeepSeek. Sitio oficial: deepseek.com.
O que é o DeepSeek OCR?
O DeepSeek OCR é um modelo de visão computacional de peso aberto, criado para transformar imagens de documentos em texto estruturado. Diferente de um OCR tradicional, que basicamente reconhece caracteres um a um, ele foi treinado para entender a página inteira como uma unidade visual.
A proposta central do projeto é o que a própria equipe chama de “compressão óptica de contexto”: usar tokens de imagem, muito mais baratos, no lugar de tokens de texto para representar o conteúdo de uma página inteira. Isso reduz bastante o custo computacional de processar documentos longos.
A arquitetura por trás do modelo
O DeepSeek OCR combina um codificador de visão, chamado DeepEncoder, com um decodificador baseado em mixture-of-experts (MoE) da família DeepSeek-VL. O DeepEncoder mistura técnicas inspiradas no SAM (Segment Anything) e no CLIP para capturar tanto detalhes locais quanto o contexto geral da página.
Na prática, isso significa que o modelo “olha” para uma página inteira de um jeito parecido com o olho humano: primeiro entende a estrutura geral, depois foca nos detalhes que importam, como uma tabela ou um parágrafo específico.
Os modos de resolução
O modelo oferece diferentes modos, pensados para equilibrar custo e qualidade conforme o tipo de documento:
- Tiny e Small: para documentos simples, com poucos tokens visuais e processamento mais rápido.
- Base e Large: para páginas densas, com mais texto e elementos visuais.
- Modo Gundam: combina recortes em alta resolução com uma visão geral da página, indicado para documentos complexos, como tabelas grandes ou plantas técnicas.
Como funciona a compressão óptica de contexto
A ideia por trás da compressão óptica é simples de entender, mesmo que a engenharia seja sofisticada. Em vez de transformar uma página em milhares de tokens de texto, o modelo a transforma em algumas centenas de tokens visuais.
Segundo os testes divulgados pela equipe, é possível chegar a taxas de compressão de cerca de 10 vezes mantendo em torno de 97% de precisão na recuperação do texto original. Em taxas ainda maiores, a precisão cai, mas o modelo continua utilizável para tarefas menos críticas.
Por que isso importa para quem desenvolve
Para quem constrói pipelines de RAG (retrieval-augmented generation), essa economia de tokens é ouro puro. Documentos que antes consumiam uma fatia enorme da janela de contexto passam a ocupar uma fração disso, sobrando espaço para o restante do prompt.
Também há ganho direto de custo: menos tokens processados significa menos gasto quando o resultado do OCR alimenta outro modelo de linguagem depois.
Como usar o DeepSeek OCR na prática
Rodando localmente com Transformers
O jeito mais direto de testar o modelo é baixar os pesos publicados pela DeepSeek e usar a biblioteca transformers, da Hugging Face. Um esqueleto simplificado em Python:
from transformers import AutoModel, AutoTokenizer
model_name = "deepseek-ai/DeepSeek-OCR"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(model_name, trust_remote_code=True).eval().cuda()
resultado = model.infer(
tokenizer,
image_path="contrato.jpg",
mode="base",
)
print(resultado)Isso é só um esqueleto de exemplo — parâmetros exatos podem mudar conforme a versão da biblioteca. O importante é entender o fluxo: carregar o modelo, passar a imagem e escolher o modo de resolução adequado ao documento.
Via vLLM para produção
Para uso em produção, com várias requisições simultâneas, já existem integrações via vLLM que aceleram bastante a inferência em lote. Isso ajuda quando você precisa digitalizar um volume grande de documentos de uma vez só.
Preços e custos
Como o DeepSeek OCR é um modelo de peso aberto, não há cobrança por token diretamente da DeepSeek para usá-lo. O custo real é o da infraestrutura — GPU própria ou alugada — usada para rodá-lo.
Se preferir não lidar com infraestrutura, vale comparar com o custo de usar o modelo de chat oficial para tarefas de leitura mais simples: nossa tabela de preços da API do DeepSeek mostra os valores atualizados por token. E, se em algum ponto do pipeline você decidir usar a API oficial, o passo seguinte é conseguir sua DeepSeek API key.
| Modo | Tokens visuais aprox. | Indicado para |
|---|---|---|
| Tiny | ~64 | Recibos e textos curtos |
| Small | ~100 | Páginas de texto padrão |
| Base | ~256 | Documentos densos |
| Large | ~400 | Páginas com tabelas complexas |
| Gundam | Variável | Documentos muito grandes |
Casos de uso comuns
- Digitalização de contratos e documentos jurídicos antigos.
- Leitura de notas fiscais e recibos para automação financeira.
- Indexação de acervos de PDFs escaneados para busca semântica.
- Pré-processamento de documentos antes de alimentar um pipeline de RAG.
- Extração de tabelas complexas de relatórios impressos.
Em quase todos esses casos, o ganho principal não é só a qualidade do texto extraído, mas quanto isso custa em tokens quando o resultado alimenta outro modelo de linguagem depois.
Limitações e cuidados
Nem tudo são flores. O DeepSeek OCR é um modelo relativamente pesado e, para rodar com boa velocidade, geralmente pede uma GPU decente — não é algo trivial de rodar só na CPU de um notebook comum.
Vale lembrar também que o modelo não faz parte da API de chat oficial da DeepSeek; ele é distribuído separadamente como peso aberto, então a forma de integrá-lo ao seu produto é diferente de simplesmente chamar um endpoint de chat.
Em taxas de compressão muito agressivas, a precisão cai — para documentos críticos vale revisar a saída antes de confiar cegamente nela. Se o que falta é ajuda para escrever o código de integração, o DeepSeek Coder, o assistente de programação da empresa, costuma ser um bom parceiro para gerar e depurar esses scripts.
Preguntas frecuentes
O DeepSeek OCR é gratuito?
Sim. Os pesos do modelo são publicados abertamente, então você pode baixar e rodar sem pagar licença. O único custo real é o da infraestrutura usada para executá-lo.
Preciso de uma chave de API para usar o DeepSeek OCR?
Não, se você rodar o modelo localmente ou em sua própria infraestrutura. Uma chave de API só entra em cena se você usar um provedor terceirizado que hospeda o modelo, ou combinar o resultado do OCR com a API oficial de chat da DeepSeek.
Qual é a diferença entre o DeepSeek OCR e um OCR tradicional?
Um OCR tradicional normalmente reconhece caracteres isoladamente e depende de regras rígidas de layout. O DeepSeek OCR interpreta a página inteira como uma unidade visual comprimida, o que ajuda bastante em documentos com tabelas, colunas ou formatação irregular.
O DeepSeek OCR funciona bem com textos em português?
O modelo foi treinado com um volume grande de dados multilíngues, incluindo línguas latinas, e costuma ter bom desempenho com português. Ainda assim, documentos manuscritos ou com fontes muito estilizadas tendem a gerar mais erros.
Dá para rodar o DeepSeek OCR sem GPU?
Tecnicamente é possível rodar em CPU, mas a velocidade cai muito e não costuma valer a pena para volumes grandes de documentos. Para uso sério, uma GPU com memória suficiente é praticamente obrigatória.
O DeepSeek OCR substitui o DeepSeek Coder?
Não, são ferramentas para propósitos diferentes. O DeepSeek OCR lê e converte imagens de documentos em texto, enquanto o DeepSeek Coder é voltado para gerar e revisar código. Muitos desenvolvedores usam os dois juntos: um para extrair dados, outro para escrever o pipeline que processa esses dados.
Em resumo
O DeepSeek OCR mostra um caminho interessante para quem lida com grandes volumes de documentos: comprimir a informação visual em vez de inflar o texto, economizando tokens e dinheiro no processo. Para times técnicos, vale testar o modelo em um lote pequeno de documentos antes de decidir se ele entra no pipeline de produção.
Ficou com alguma dúvida sobre como encaixar o DeepSeek OCR no seu projeto? Pergunte diretamente no chat de DeepSeek em português grátis, ou explore nossa guias para aprofundar em outros recursos da DeepSeek.