DeepSeek-OCR 2とは？
DeepSeek-OCR 2はDeepSeekのオープンな文書認識モデルで、2026年1月28日に論文とともにApache 2.0で公開されました。ページ画像を、表やレイアウトを含めてテキストとMarkdownに変換します。Qwen2-0.5Bを基 にした新しいDeepEncoder V2は、厳密に左から右、上から下へ読むのではなく、ページの視覚的な断片を意味に沿って並べ替えてから、約5億（500 million）パラメータが動作する30億パラメータのmixture-of-expertsデコーダに渡します。
1ページあたりの視覚トークンは256から1,120で、汎用の視覚モデルよりはるかに少ない数です。2025年10月のDeepSeek-OCRの後継で、その圧縮の手法を引き継いでいます。GitHubリポジトリにはタグ付きのリリースがなく、2026年2月3日以降コミットもありません。
DeepSeek-OCR 2は使う価値があるか？
DeepSeek-OCR 2は巧妙で効率的な文書読み取りモデルですが、すでに追い抜かれています。DeepSeekの論文では、OmniDocBench v1.5で91.09と、初代DeepSeek-OCRより3.73ポイント高く、読み順の編集距離を0.085から0.057に縮めたと報告しています。同じ表で、パイプライン型のPaddleOCR-VLは92.86を記録しており、その後継のPaddleOCR-VL-1.6は現在v1.6で96.33と報告しています。
独立した再実行では、さらに低い結果になります。BaiduのUnlimited-OCRの論文は、DeepSeek-OCR 2をv1.5で89.17、v1.6で90.25と測定し、自社モデルは93.23と93.92でした。そのモデル自体もDeepSeek-OCRを基にしています。Hugging Faceのモデルカードには、ParseBenchの平均41.2と、Xの投稿から引用したolmOCR-benchの76.3も載っています。このばらつきは、OCRの順位が誰がどの設定でテストするかに大きく左右されることを示しています。
効率面の利点は今も有効です。1ページのコストは256から1,120の視覚トークンで、DeepSeekの表にあるQwen3-VL-235Bや複数のエンドツーエンドのパーサーは6,000を超えます。デコーダがトークンごとに動かすパラメータは約5億（500 million）だけです。BF16のチェックポイントは6.78 GBです。DeepSeekはVRAMや毎秒ページ数の数値を公開しておらず、PDFモードが初代と同等の速度で動くとしているだけです。
運用面では2026年初めの状態で止まっています。参照環境はCUDA 11.8、torch 2.6.0、transformers 4.46.3、vLLM 0.8.5のwheelに固定されています。読み込みにはtrust_remote_codeが必要で、モデルリポジトリのPythonが実行されます。GitHubプロジェクトには2月3日以降コミットがありません。今から文書処理パイプラインを始めるチームは、メンテナーが更新をやめたスタックを採用することになります。
真価を発揮する場面
数百万ページのスキャン資料をデジタル化するデータエンジニア
自社のGPUで、スキャン画像を安価にMarkdownに変換する
1ページあたり1,120トークンの上限により、デコーダの計算量とコンテキストが小さく抑えられ、vLLMのスクリプトはPDFを並行処理します。CUDA 11.8とvLLM 0.8.5の環境構築に時間を見込み、新しい競合の方がスコアの高い表は抜き取りで確認してください。
すでにDeepSeek-OCRを本番で運用しているMLチーム
スタックを変えずに、多段組のレイアウトでの読み順を改善する
プロンプトとサービング経路はそのまま使え、DeepSeekは読み順の誤りが0.085から0.057に下がったと報告しています。最も安上がりなアップグレードですが、PaddleOCR-VL-1.6に移れば、移行の手間が増える代わりに精度はさらに上がります。
文書AIを評価する中堅銀行のコンプライアンス責任者
問題のないライセンスで、銀行のネットワーク内で動くOCRモデルを見つける
ホスト型サービスに依存しないApache 2.0はその条件に合います。ただしtrust_remote_codeを使うため、社内サーバーで実行する前に、リポジトリのPythonを審査し、特定のコミットに固定する必要があります。
導入前に確認すること
- 導入
- Transformersの場合：CUDA 11.8上でtorch 2.6.0、transformers 4.46.3、flash-attn 2.7.3を使い、base_size 1024、image_size 768でmodel.inferを呼び出します。vLLMの場合は、vLLM 0.8.5+cu118のwheelとGitHubリポジトリのスクリプトを使います。
- 連携
- プロンプトのモードは2つです。レイアウトを考慮したMarkdown用の"<|grounding|>Convert the document to markdown."と、プレーンテキスト用の"Free OCR."です。Hugging Faceの推論プロバイダーでホストしているところはありません。
- データとプライバシー
- Apache 2.0でセルフホストなので、文書は自社のハードウェアにとどまります。読み込みにはtrust_remote_codeが必要で、リポジトリのコードが実行されます。
- 大規模利用時のコスト
- ホスト型の価格はなく、コストはGPU時間です。重みは6.78 GBで、ページは256から1,120の視覚トークンを使いますが、DeepSeekはGPU台数の見積もりに使えるVRAMやスループットの数値を公開していません。
- 制限
- OmniDocBenchでPaddleOCR-VL-1.6とUnlimited-OCRに劣り、古いCUDAとvLLMのスタックに縛られ、2026年2月3日以降リポジトリに動きがありません。
良い点
- Apache 2.0で利用制限はありません
- 1ページあたり256から1,120の視覚トークン
- 読み順の誤りを0.085から0.057に削減
- BF16の重みは6.78 GB
気になる点
- OmniDocBenchでPaddleOCR-VL-1.6とUnlimited-OCRに劣ります
- Baiduの再実行ではDeepSeekの数値より1.9ポイント低くなりました
- CUDA 11.8とvLLM 0.8.5に固定されています
- 2026年2月以降コミットがありません
おすすめの人
すでにDeepSeek-OCRのスタックに投資していて、そのまま差し替えられる精度向上を求めるチーム。
DeepSeek-OCR 2の代替
DeepSeek-OCR 2：よくある質問
- DeepSeek-OCR 2は使う価値があるか？
- 視覚トークンを節約でき、論文での説明も丁寧ですが、競合の方が読み取り精度は高く、リポジトリ自体も2月から更新が止まっています。 評価は5点満点中3.7点です。
- DeepSeek-OCR 2の料金は？
- Apache 2.0で無料です。
- DeepSeek-OCR 2の欠点は？
- OmniDocBenchでPaddleOCR-VL-1.6とUnlimited-OCRに劣ります; Baiduの再実行ではDeepSeekの数値より1.9ポイント低くなりました; CUDA 11.8とvLLM 0.8.5に固定されています; 2026年2月以降コミットがありません.
- DeepSeek-OCR 2は誰に向いているか？
- すでにDeepSeek-OCRのスタックに投資していて、そのまま差し替えられる精度向上を求めるチーム。
- チームや本番環境でDeepSeek-OCR 2を使うと費用はいくらか？
- ホスト型の価格はなく、コストはGPU時間です。重みは6.78 GBで、ページは256から1,120の視覚トークンを使いますが、DeepSeekはGPU台数の見積もりに使えるVRAMやスループットの数値を公開していません。
- DeepSeek-OCR 2は企業データを扱っても安全か？
- Apache 2.0でセルフホストなので、文書は自社のハードウェアにとどまります。読み込みにはtrust_remote_codeが必要で、リポジトリのコードが実行されます。
- DeepSeek-OCR 2の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はPaddleOCR-VL-1.6 、 Unlimited-OCR 2です。
回答確認日：2026年10月22日