DeepSeek-OCR：同一张扫描页，保留版式还是只读文字？

扫描报告里的文字能复制出来，不代表标题、段落和配图仍然连得上。DeepSeek-OCR给了两个不同入口：只取文字，或按文档结构生成Markdown。选哪一个，应从下一步要做什么决定。

这里介绍2025年发布的初代DeepSeek-OCR。当前仓库已链接2026年的OCR2；两者不能混用同一份环境说明与效果预期。下文按初代模型卡和PDF处理源码解读，未执行推理。

复制一段文字，与整理一页文档不同

完整模型卡的两种提示很短：Free OCR.面向文字读取；带<|grounding|>的Convert the document to markdown.则用于文档转换。图像标记、任务文字与图片一起交给模型，输出目标由这份提示明确表达。

假设要整理一份公开培训讲义，这是教学情境。只想引用一段说明，可以先看文字识别；希望把标题、正文和插图继续放进知识库，则更需要文档结构。前者不必被加工成一份复杂页面，后者也不能在拿到连续文字后就视为排版关系已保留。

仓库另列图表解析、图像描述与定位指定文字的提示。这些是不同任务入口，不能把图像描述生成的解释，当成逐字抄录的原文。

官方PDF脚本先将每页渲染成图，再逐页组织模型输入。它同时写出带定位标记的_det.mmd、整理后的.mmd，以及画出区域框的_layouts.pdf。

整理过程中，图片区域被裁出，正文中的相应位置改成图片文件引用；其他定位标记则从阅读版本中去除。因此，只有一份文字文件还不够：若移动到新目录，相关images目录也要一起保留，否则原来能显示的插图会断开。

三类材料适合做不同检查。整理文本便于继续编辑；定位结果保留模型原始结构；版面预览帮助看一张图或一段文字究竟被划在哪里。它没有把原PDF自动变成可在Word里逐项修改的原生排版。

脚本还提供SKIP_REPEAT。开启时，未产生预期结束标记的结果可能被跳过，不能因输出文件已经生成，就断言所有页面都已完整保留。交付前对照原页数和关键页，比只看文件是否存在更可靠。

官方列出512、640、1024、1280等原生输入模式，以及由多块640图像和一张1024全图组成的动态模式。它们改变图像进入模型的方式，并不保证小字、表格合并关系或公式都能原样恢复。

初代文档使用特定Python、CUDA、PyTorch与推理依赖组合；旧文中的nightly安装说明有其发布时间背景，新部署应核对当前对应路径。代码为MIT，模型卡也标MIT；输入文件的使用权仍按资料来源判断。

这个项目最具体的用途，是把“认出字”和“留下文档关系”拆成可选择、可回查的任务。先确定最终需要文字、结构还是区域定位，再保留相应产物，后面的整理才有依据。