1. 为什么要在本地工具链里接 DeepSeek-OCRDeepSeek-OCR 是 DeepSeek-AI 开源的一个端到端视觉语言模型核心能力是把文档图像压缩成少量视觉 token再由解码器还原成文本。论文里给出的数据很直观压缩比在 10 倍以内时 OCR 精度约 97%20 倍压缩比下仍有约 60% 的准确率。换句话说一张包含上千字的文档图片可能只需要 100 个左右的视觉 token 就能解码出来这对长上下文场景下的 token 消耗控制很有参考价值。它适合谁如果你在做文档解析、PDF 批量转文本、训练数据生成或者想在自己的 Agent 流程里加一个图片转结构化文本的环节DeepSeek-OCR 是一个值得跑通的组件。但问题在于本地工具链里往往已经接了多个模型服务每接一个新模型就要改一次 base_url、换一套 Key、调一遍鉴权逻辑维护成本很高。这篇要解决的就是这个事用 TaoToken 作为统一的 API 通道把 DeepSeek-OCR 的调用收敛到一份 config.toml 里base_url 指向https://taotoken.net/apiKey 用同一把然后跑一次压缩前后的 token 对比验证确认链路通了。2. TaoToken 前置统一 Key 与通道准备TaoToken 在这里扮演的角色是统一入口。你不需要为每个模型单独申请 Key、单独记 base_url而是用同一套凭证走同一个 API 地址。对本地工具链来说这意味着 config.toml 里只需要维护一份 provider 配置。先拿到 Key。打开控制台页面https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite在 API Keys 页面创建一个新 Key复制出来。这个 Key 后面会写进 config.toml 的api_key字段。如果你还没注册官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content创建 Key 的具体页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite拿到 Key 之后先别急着写 config.toml。建议用 curl 做一次最小连通性测试确认 Key 和 base_url 能通curl -s https://taotoken.net/api/v1/models \ -H Authorization: Bearer sk-你的Key \ | head -c 500如果返回了模型列表的 JSON说明通道没问题。如果返回 401检查 Key 是否复制完整如果返回 404检查 base_url 是否写成了https://taotoken.net/api注意末尾不要多加/v1具体路径在请求时拼。注意base_url 统一写https://taotoken.net/api不要在 config.toml 里硬编码其他地址。后续换模型只改 model 字段不动 base_url。3. config.toml 可复制骨架下面这份 config.toml 是给本地工具链用的骨架。假设你的工具链支持 TOML 配置并且有一个 provider 抽象层那么把 DeepSeek-OCR 作为一个 provider 注册进去即可。# config.toml # DeepSeek-OCR via TaoToken unified channel [providers.taotoken] base_url https://taotoken.net/api api_key sk-你的Key timeout_seconds 120 max_retries 2 [providers.taotoken.models.deepseek_ocr] model deepseek-ocr # 视觉 token 压缩模式tiny / small / base / large / gundam resolution_mode small # 单次请求最大输出 token max_output_tokens 4096 # 是否输出版面布局带坐标 layout false [providers.taotoken.models.deepseek_ocr.prompt] # 无版面提示词对应论文中的 Free OCR free_ocr image\nFree OCR # 带版面提示词输出检测框与文本交替格式 layout_ocr image\n|grounding|Convert the document to markdown. [app] default_provider taotoken default_model deepseek_ocr log_level info几个字段说明一下。resolution_mode对应论文里的多分辨率支持tiny 是 512×512 输出 64 个视觉 tokensmall 是 640×640 输出 100 个base 是 1024×1024 输出 256 个large 是 1280×1280 输出 400 个。gundam 模式是动态分辨率由 n 个 640×640 切片加一个 1024×1024 全局视图组成视觉 token 数为n×100256。如果你处理的是报纸这类超高分辨率文档用 gundam普通文档 small 或 base 就够。layout字段控制是否输出检测框。论文里提到通过不同提示词可以区分粗粒度和细粒度标注。细粒度输出会把每个文本段落前的坐标归一化到 1000 个量化区间适合需要版面信息的场景。如果你的工具链用的是环境变量而不是 TOML等价写法export TAOTOKEN_BASE_URLhttps://taotoken.net/api export TAOTOKEN_API_KEYsk-你的Key export DEEPSEEK_OCR_MODELdeepseek-ocr export DEEPSEEK_OCR_RESOLUTIONsmall4. 验证请求压缩前后 token 对比配置写好了接下来跑一次实际请求验证两件事一是链路能通二是压缩确实生效。先准备一张测试图片。找一页文字密集的文档截图或者用 Python 生成一张from PIL import Image, ImageDraw, ImageFont # 生成一张 640x640 的测试文档图 img Image.new(RGB, (640, 640), white) draw ImageDraw.Draw(img) font ImageFont.load_default() text_lines [ DeepSeek-OCR context optical compression test., Line 2: The model compresses text tokens into visual tokens., Line 3: Compression ratio under 10x keeps ~97% accuracy., Line 4: At 20x compression, accuracy drops to ~60%., Line 5: This is a verification of the TaoToken channel., ] y 40 for line in text_lines: draw.text((40, y), line, fillblack, fontfont) y 40 img.save(test_doc.png) print(saved test_doc.png)然后写一个请求脚本同时统计原始文本 token 数和视觉 token 数import base64 import requests import tiktoken BASE_URL https://taotoken.net/api API_KEY sk-你的Key # 1. 读取图片并 base64 编码 with open(test_doc.png, rb) as f: img_b64 base64.b64encode(f.read()).decode() # 2. 统计原始文本 token 数用 tiktoken 近似 raw_text DeepSeek-OCR context optical compression test. Line 2: The model compresses text tokens into visual tokens. Line 3: Compression ratio under 10x keeps ~97% accuracy. Line 4: At 20x compression, accuracy drops to ~60%. Line 5: This is a verification of the TaoToken channel. enc tiktoken.get_encoding(cl100k_base) text_tokens len(enc.encode(raw_text)) print(f原始文本 token 数: {text_tokens}) # 3. 调用 DeepSeek-OCR payload { model: deepseek-ocr, messages: [ { role: user, content: [ {type: image_url, image_url: {url: fdata:image/png;base64,{img_b64}}}, {type: text, text: image\nFree OCR}, ], } ], max_tokens: 4096, } resp requests.post( f{BASE_URL}/v1/chat/completions, headers{Authorization: fBearer {API_KEY}, Content-Type: application/json}, jsonpayload, timeout120, ) print(fHTTP 状态码: {resp.status_code}) data resp.json() if resp.status_code 200: ocr_text data[choices][0][message][content] print(fOCR 输出:\n{ocr_text}) # 4. 统计视觉 token 数从 usage 字段读取 usage data.get(usage, {}) print(fusage: {usage}) visual_tokens usage.get(prompt_tokens, 0) print(f视觉 token 数近似: {visual_tokens}) if visual_tokens 0: print(f压缩比: {text_tokens / visual_tokens:.2f}x) else: print(f错误: {data})跑完之后你会看到类似这样的输出原始文本 token 数: 58 HTTP 状态码: 200 OCR 输出: DeepSeek-OCR context optical compression test. Line 2: The model compresses text tokens into visual tokens. Line 3: Compression ratio under 10x keeps ~97% accuracy. Line 4: At 20x compression, accuracy drops to ~60%. Line 5: This is a verification of the TaoToken channel. usage: {prompt_tokens: 100, completion_tokens: 62, total_tokens: 162} 视觉 token 数近似: 100 压缩比: 0.58x这里要注意prompt_tokens包含了视觉 token 和文本提示词 token。在 small 模式下640×640 输入对应 100 个视觉 token加上提示词本身的 token总数会略高于 100。如果你想精确对比可以把提示词固定为image\nFree OCR然后看 prompt_tokens 的增量。压缩比的计算方式论文里定义的是真实文本 token 数 / 模型所用视觉 token 数。上面这个例子里文本只有 58 个 token视觉 token 100 个压缩比小于 1说明短文本不适合压缩。真正体现价值的是长文档——当文本 token 达到 1000 以上视觉 token 仍保持在 100 到 400 之间压缩比就能到 10 倍左右。你可以把测试文本加长到 1000 字以上再跑一次观察压缩比的变化。这是验证压缩效果最直接的方式。5. 本篇常见错排查跑不通的时候按下面几个方向排查。401 UnauthorizedKey 没写对或者过期了。检查 config.toml 里的api_key是否以sk-开头有没有多余空格。如果用的是环境变量确认echo $TAOTOKEN_API_KEY能打印出正确值。404 Not Foundbase_url 拼错了。正确写法是https://taotoken.net/api请求路径拼/v1/chat/completions。不要写成https://taotoken.net/api/v1再加/v1/chat/completions那样会变成双/v1。图片 base64 编码失败检查图片格式。DeepSeek-OCR 支持 PNG、JPEG 等常见格式。如果图片太大先压缩到 1280×1280 以内。base64 编码后的字符串不要带换行符用base64.b64encode()默认就不带换行。OCR 输出为空或乱码检查提示词。论文里用的是image\nFree OCR注意image和Free OCR之间是换行符\n不是空格。如果提示词写错模型可能不触发 OCR 模式。超时DeepSeek-OCR 处理高分辨率图片时推理时间较长。把timeout_seconds调到 120 以上或者把resolution_mode从 large 降到 small。gundam 模式因为要处理多个切片耗时更长建议单独设置更长的超时。压缩比不符合预期先确认resolution_mode和实际输入分辨率匹配。如果你传的是 1024×1024 图片但配置写的是 small640×640模型会先缩放再编码视觉 token 数按 small 算。另外短文本的压缩比天然小于 1这是正常的压缩效果要在长文档上才能体现。返回内容包含坐标但格式混乱如果你开了layout true输出会是检测框和文本交替的格式。论文里提到坐标归一化到 1000 个量化区间解析时按这个范围还原。如果不需要版面信息把layout设回false用free_ocr提示词。6. 把通道固定下来后续换模型只改一行链路跑通之后config.toml 里真正需要维护的只有base_url和api_key两个字段。base_url 固定指向https://taotoken.net/apiapi_key 用同一把。以后你想在工具链里加别的模型只需要在[providers.taotoken.models]下面新增一个 section改model字段就行不用动鉴权逻辑。如果你打算长期在编码或 Agent 流程里调用这类能力可以看一下 Coding Plan 的配置方式https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite接入文档在这里里面有各语言 SDK 的调用示例https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite想直接在网页上试模型对话效果用这个入口https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite回到 DeepSeek-OCR 本身它的价值不在于替代通用 OCR 工具而在于提供了一个可量化的压缩-还原实验平台。你可以用同一张文档图分别跑 tiny、small、base、large 四种模式记录每种模式的视觉 token 数和 OCR 准确率画出一条自己的压缩比-精度曲线。这个数据比任何评测都更贴近你的实际文档分布。跑完记得把 config.toml 里的resolution_mode改成你业务场景下最平衡的那一档然后就可以把它接进批量处理流程了。
1. 为什么要在本地工具链里接 DeepSeek-OCRDeepSeek-OCR 是 DeepSeek-AI 开源的一个端到端视觉语言模型核心能力是把文档图像压缩成少量视觉 token再由解码器还原成文本。论文里给出的数据很直观压缩比在 10 倍以内时 OCR 精度约 97%20 倍压缩比下仍有约 60% 的准确率。换句话说一张包含上千字的文档图片可能只需要 100 个左右的视觉 token 就能解码出来这对长上下文场景下的 token 消耗控制很有参考价值。它适合谁如果你在做文档解析、PDF 批量转文本、训练数据生成或者想在自己的 Agent 流程里加一个图片转结构化文本的环节DeepSeek-OCR 是一个值得跑通的组件。但问题在于本地工具链里往往已经接了多个模型服务每接一个新模型就要改一次 base_url、换一套 Key、调一遍鉴权逻辑维护成本很高。这篇要解决的就是这个事用 TaoToken 作为统一的 API 通道把 DeepSeek-OCR 的调用收敛到一份 config.toml 里base_url 指向https://taotoken.net/apiKey 用同一把然后跑一次压缩前后的 token 对比验证确认链路通了。2. TaoToken 前置统一 Key 与通道准备TaoToken 在这里扮演的角色是统一入口。你不需要为每个模型单独申请 Key、单独记 base_url而是用同一套凭证走同一个 API 地址。对本地工具链来说这意味着 config.toml 里只需要维护一份 provider 配置。先拿到 Key。打开控制台页面https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite在 API Keys 页面创建一个新 Key复制出来。这个 Key 后面会写进 config.toml 的api_key字段。如果你还没注册官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content创建 Key 的具体页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite拿到 Key 之后先别急着写 config.toml。建议用 curl 做一次最小连通性测试确认 Key 和 base_url 能通curl -s https://taotoken.net/api/v1/models \ -H Authorization: Bearer sk-你的Key \ | head -c 500如果返回了模型列表的 JSON说明通道没问题。如果返回 401检查 Key 是否复制完整如果返回 404检查 base_url 是否写成了https://taotoken.net/api注意末尾不要多加/v1具体路径在请求时拼。注意base_url 统一写https://taotoken.net/api不要在 config.toml 里硬编码其他地址。后续换模型只改 model 字段不动 base_url。3. config.toml 可复制骨架下面这份 config.toml 是给本地工具链用的骨架。假设你的工具链支持 TOML 配置并且有一个 provider 抽象层那么把 DeepSeek-OCR 作为一个 provider 注册进去即可。# config.toml # DeepSeek-OCR via TaoToken unified channel [providers.taotoken] base_url https://taotoken.net/api api_key sk-你的Key timeout_seconds 120 max_retries 2 [providers.taotoken.models.deepseek_ocr] model deepseek-ocr # 视觉 token 压缩模式tiny / small / base / large / gundam resolution_mode small # 单次请求最大输出 token max_output_tokens 4096 # 是否输出版面布局带坐标 layout false [providers.taotoken.models.deepseek_ocr.prompt] # 无版面提示词对应论文中的 Free OCR free_ocr image\nFree OCR # 带版面提示词输出检测框与文本交替格式 layout_ocr image\n|grounding|Convert the document to markdown. [app] default_provider taotoken default_model deepseek_ocr log_level info几个字段说明一下。resolution_mode对应论文里的多分辨率支持tiny 是 512×512 输出 64 个视觉 tokensmall 是 640×640 输出 100 个base 是 1024×1024 输出 256 个large 是 1280×1280 输出 400 个。gundam 模式是动态分辨率由 n 个 640×640 切片加一个 1024×1024 全局视图组成视觉 token 数为n×100256。如果你处理的是报纸这类超高分辨率文档用 gundam普通文档 small 或 base 就够。layout字段控制是否输出检测框。论文里提到通过不同提示词可以区分粗粒度和细粒度标注。细粒度输出会把每个文本段落前的坐标归一化到 1000 个量化区间适合需要版面信息的场景。如果你的工具链用的是环境变量而不是 TOML等价写法export TAOTOKEN_BASE_URLhttps://taotoken.net/api export TAOTOKEN_API_KEYsk-你的Key export DEEPSEEK_OCR_MODELdeepseek-ocr export DEEPSEEK_OCR_RESOLUTIONsmall4. 验证请求压缩前后 token 对比配置写好了接下来跑一次实际请求验证两件事一是链路能通二是压缩确实生效。先准备一张测试图片。找一页文字密集的文档截图或者用 Python 生成一张from PIL import Image, ImageDraw, ImageFont # 生成一张 640x640 的测试文档图 img Image.new(RGB, (640, 640), white) draw ImageDraw.Draw(img) font ImageFont.load_default() text_lines [ DeepSeek-OCR context optical compression test., Line 2: The model compresses text tokens into visual tokens., Line 3: Compression ratio under 10x keeps ~97% accuracy., Line 4: At 20x compression, accuracy drops to ~60%., Line 5: This is a verification of the TaoToken channel., ] y 40 for line in text_lines: draw.text((40, y), line, fillblack, fontfont) y 40 img.save(test_doc.png) print(saved test_doc.png)然后写一个请求脚本同时统计原始文本 token 数和视觉 token 数import base64 import requests import tiktoken BASE_URL https://taotoken.net/api API_KEY sk-你的Key # 1. 读取图片并 base64 编码 with open(test_doc.png, rb) as f: img_b64 base64.b64encode(f.read()).decode() # 2. 统计原始文本 token 数用 tiktoken 近似 raw_text DeepSeek-OCR context optical compression test. Line 2: The model compresses text tokens into visual tokens. Line 3: Compression ratio under 10x keeps ~97% accuracy. Line 4: At 20x compression, accuracy drops to ~60%. Line 5: This is a verification of the TaoToken channel. enc tiktoken.get_encoding(cl100k_base) text_tokens len(enc.encode(raw_text)) print(f原始文本 token 数: {text_tokens}) # 3. 调用 DeepSeek-OCR payload { model: deepseek-ocr, messages: [ { role: user, content: [ {type: image_url, image_url: {url: fdata:image/png;base64,{img_b64}}}, {type: text, text: image\nFree OCR}, ], } ], max_tokens: 4096, } resp requests.post( f{BASE_URL}/v1/chat/completions, headers{Authorization: fBearer {API_KEY}, Content-Type: application/json}, jsonpayload, timeout120, ) print(fHTTP 状态码: {resp.status_code}) data resp.json() if resp.status_code 200: ocr_text data[choices][0][message][content] print(fOCR 输出:\n{ocr_text}) # 4. 统计视觉 token 数从 usage 字段读取 usage data.get(usage, {}) print(fusage: {usage}) visual_tokens usage.get(prompt_tokens, 0) print(f视觉 token 数近似: {visual_tokens}) if visual_tokens 0: print(f压缩比: {text_tokens / visual_tokens:.2f}x) else: print(f错误: {data})跑完之后你会看到类似这样的输出原始文本 token 数: 58 HTTP 状态码: 200 OCR 输出: DeepSeek-OCR context optical compression test. Line 2: The model compresses text tokens into visual tokens. Line 3: Compression ratio under 10x keeps ~97% accuracy. Line 4: At 20x compression, accuracy drops to ~60%. Line 5: This is a verification of the TaoToken channel. usage: {prompt_tokens: 100, completion_tokens: 62, total_tokens: 162} 视觉 token 数近似: 100 压缩比: 0.58x这里要注意prompt_tokens包含了视觉 token 和文本提示词 token。在 small 模式下640×640 输入对应 100 个视觉 token加上提示词本身的 token总数会略高于 100。如果你想精确对比可以把提示词固定为image\nFree OCR然后看 prompt_tokens 的增量。压缩比的计算方式论文里定义的是真实文本 token 数 / 模型所用视觉 token 数。上面这个例子里文本只有 58 个 token视觉 token 100 个压缩比小于 1说明短文本不适合压缩。真正体现价值的是长文档——当文本 token 达到 1000 以上视觉 token 仍保持在 100 到 400 之间压缩比就能到 10 倍左右。你可以把测试文本加长到 1000 字以上再跑一次观察压缩比的变化。这是验证压缩效果最直接的方式。5. 本篇常见错排查跑不通的时候按下面几个方向排查。401 UnauthorizedKey 没写对或者过期了。检查 config.toml 里的api_key是否以sk-开头有没有多余空格。如果用的是环境变量确认echo $TAOTOKEN_API_KEY能打印出正确值。404 Not Foundbase_url 拼错了。正确写法是https://taotoken.net/api请求路径拼/v1/chat/completions。不要写成https://taotoken.net/api/v1再加/v1/chat/completions那样会变成双/v1。图片 base64 编码失败检查图片格式。DeepSeek-OCR 支持 PNG、JPEG 等常见格式。如果图片太大先压缩到 1280×1280 以内。base64 编码后的字符串不要带换行符用base64.b64encode()默认就不带换行。OCR 输出为空或乱码检查提示词。论文里用的是image\nFree OCR注意image和Free OCR之间是换行符\n不是空格。如果提示词写错模型可能不触发 OCR 模式。超时DeepSeek-OCR 处理高分辨率图片时推理时间较长。把timeout_seconds调到 120 以上或者把resolution_mode从 large 降到 small。gundam 模式因为要处理多个切片耗时更长建议单独设置更长的超时。压缩比不符合预期先确认resolution_mode和实际输入分辨率匹配。如果你传的是 1024×1024 图片但配置写的是 small640×640模型会先缩放再编码视觉 token 数按 small 算。另外短文本的压缩比天然小于 1这是正常的压缩效果要在长文档上才能体现。返回内容包含坐标但格式混乱如果你开了layout true输出会是检测框和文本交替的格式。论文里提到坐标归一化到 1000 个量化区间解析时按这个范围还原。如果不需要版面信息把layout设回false用free_ocr提示词。6. 把通道固定下来后续换模型只改一行链路跑通之后config.toml 里真正需要维护的只有base_url和api_key两个字段。base_url 固定指向https://taotoken.net/apiapi_key 用同一把。以后你想在工具链里加别的模型只需要在[providers.taotoken.models]下面新增一个 section改model字段就行不用动鉴权逻辑。如果你打算长期在编码或 Agent 流程里调用这类能力可以看一下 Coding Plan 的配置方式https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite接入文档在这里里面有各语言 SDK 的调用示例https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite想直接在网页上试模型对话效果用这个入口https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite回到 DeepSeek-OCR 本身它的价值不在于替代通用 OCR 工具而在于提供了一个可量化的压缩-还原实验平台。你可以用同一张文档图分别跑 tiny、small、base、large 四种模式记录每种模式的视觉 token 数和 OCR 准确率画出一条自己的压缩比-精度曲线。这个数据比任何评测都更贴近你的实际文档分布。跑完记得把 config.toml 里的resolution_mode改成你业务场景下最平衡的那一档然后就可以把它接进批量处理流程了。
