DeepSeek OCR: extraer texto y revisar documentos
Descubre qué hace DeepSeek OCR, cómo convertir documentos en texto y qué requisitos, errores y riesgos de privacidad debes revisar antes de usarlo.
- Autor: humAIns
- 7 min de lectura
índice · 6 apartados
DeepSeek OCR convierte imágenes de documentos en texto o Markdown mediante un modelo de visión de código abierto. El repositorio oficial documenta una ruta con Transformers y otra con vLLM, además de un ejemplo de inferencia para PDF. No es una función que debas dar por incluida en el chat de DeepSeek: para probar el modelo publicado hay que preparar un entorno técnico y revisar sus dependencias.
Para un equipo financiero, la utilidad posible está en acelerar la captura inicial de una factura, no en contabilizarla automáticamente. El texto generado es una propuesta de lectura: proveedor, NIF, fecha, base imponible, IVA y total se cotejan siempre contra el original. Si buscas el contexto de procesos y herramientas para la profesión, consulta también la guía de IA para contables; aquí nos centramos en este modelo y en cómo evaluar su salida.
Qué es DeepSeek OCR y qué hace
OCR son las siglas de reconocimiento óptico de caracteres: la tecnología que convierte letras visibles en una imagen en texto que se puede buscar o procesar. DeepSeek OCR es el modelo open source publicado por DeepSeek AI en GitHub y Hugging Face. Sus ejemplos incluyen leer una imagen, pedir una conversión del documento a Markdown y procesar PDF mediante un script basado en vLLM.
El Markdown puede conservar cierta estructura, por ejemplo títulos o tablas, y por eso puede resultar más práctico que un bloque de texto plano. Pero que el formato parezca ordenado no demuestra que la lectura sea correcta: una fila de importes puede desplazarse de columna y una coma decimal convertirse en punto o desaparecer.
El proyecto también explica una motivación de investigación relacionada con la compresión visual de contexto. Para quien evalúa una captura documental, la cuestión práctica es más sencilla: qué entrada acepta el flujo elegido, qué salida produce y cómo se valida esa salida. No confundas la existencia del modelo descargable con un servicio alojado listo para usar o con una prestación del chat de DeepSeek.
Qué necesitas para ejecutarlo
El README del repositorio oficial DeepSeek-OCR presenta dos rutas de inferencia:
- Transformers: cargar el modelo y el tokenizador desde Hugging Face mediante el código indicado por el proyecto. Los ejemplos usan PyTorch, aceleración CUDA y FlashAttention 2, además de indicar
trust_remote_code=True. - vLLM: el repositorio incluye scripts para inferencia con imágenes y PDF, y ofrece instrucciones de instalación propias y una referencia al soporte upstream de vLLM.
La configuración de instalación publicada enumera CUDA 11.8 o posterior y PyTorch 2.6.0; también detalla versiones y paquetes para esa configuración. Son datos de la receta publicada por el proyecto, no una promesa de que cualquier combinación de equipo y software vaya a funcionar. Comprueba la documentación y compatibilidad vigentes antes de desplegarlo. El ejemplo de PDF cita un resultado de velocidad medido en una A100 de 40 GB: es una referencia del repositorio, no un requisito universal ni una expectativa para otros equipos.
En términos cotidianos, no es el flujo de subir un PDF a una web y recibir una factura contabilizada. Un perfil técnico debe descargar el modelo, instalar dependencias compatibles, indicar las rutas de entrada y salida y probar el procesamiento en un entorno controlado. Si no dispones de ese perfil, compara alternativas con una interfaz alojada, pero trátalas como otro proveedor y estudia sus condiciones, controles y costes directamente en sus páginas oficiales. No atribuyas al chat capacidades o precios que el repositorio del modelo no documenta.
Prueba controlada con una factura ficticia
Empieza con una imagen de ejemplo inventada, sin datos personales ni información de clientes. El repositorio muestra prompts para OCR libre y una instrucción para convertir un documento a Markdown. El programa técnico prepara la entrada según la ruta elegida y guarda la respuesta generada.
Imagina una factura de prueba con estos campos: proveedor «Suministros Norte, S. L.», NIF ficticio «B00000000», fecha 13/11/2026, base imponible 100,00 €, IVA 21,00 € y total 121,00 €. Son datos inventados para describir la comprobación, no una demostración de resultados medidos del modelo. Al revisar la salida:
- Comprueba que proveedor y NIF coinciden carácter por carácter con la imagen.
- Coteja la fecha y separa correctamente base, tipo de IVA, cuota y total.
- Verifica si las líneas y los importes mantienen su relación en una tabla Markdown.
- Marca como «lectura dudosa» todo carácter que no puedas confirmar visualmente; no lo completes por intuición.
- Documenta quién revisó el resultado y conserva el original como referencia según el procedimiento interno.
La comprobación aritmética no sustituye al cotejo: una suma que cuadra no demuestra que el proveedor, el periodo o el tipo impositivo sean correctos. Tampoco se debe convertir la salida en un asiento automático. El modelo lee el documento; el criterio y la responsabilidad contable siguen en manos de la persona que valida el proceso.
OCR, modelo multimodal y revisión contable
| Enfoque | Qué aporta | Qué no resuelve por sí solo |
|---|---|---|
| OCR especializado como DeepSeek OCR | Transforma contenido visual en texto o Markdown mediante un flujo de modelo y código. | No certifica que cada campo esté bien leído ni decide cómo contabilizarlo. |
| Asistente multimodal general | Permite preguntar sobre una imagen o documento en una conversación, según las funciones de cada producto. | Su disponibilidad, límites y tratamiento de datos dependen del proveedor y del plan. |
| Revisión contable | Interpreta el documento en el contexto de la empresa, detecta excepciones y decide el tratamiento aplicable. | No se reemplaza con una extracción de texto ni con una respuesta plausible de un modelo. |
La guía de IA multimodal explica el concepto más amplio de modelos que reciben imágenes y otras modalidades. La elección entre un modelo local, una API o una aplicación alojada depende de la integración, las competencias técnicas y las garantías necesarias, no solo de la calidad aparente de una respuesta.
Privacidad, licencia y controles
El repositorio declara licencia MIT y proporciona código y pesos del modelo; aun así, antes de incorporarlos a un producto o servicio, revisa el fichero de licencia y las condiciones aplicables a los componentes y modelos que uses. La licencia del repositorio no sustituye una evaluación de privacidad, seguridad o cumplimiento del flujo de datos.
En una ejecución local, el procesamiento puede mantenerse en infraestructura controlada por la organización, pero eso no sucede automáticamente: comprueba que los documentos no se envían a servicios externos, cómo se protegen los archivos temporales y resultados, quién tiene acceso y cuánto tiempo se conservan. Descargar un modelo no garantiza por sí solo que todo el proceso sea local.
Si utilizas un servicio alojado, identifica qué proveedor recibe las facturas, para qué las trata, dónde se procesan, quién puede acceder y qué opciones de retención o uso están vigentes. La política de privacidad de DeepSeek se refiere a sus servicios enlazados a esa política y describe el tratamiento de entradas y archivos enviados a ellos; no debe confundirse con el uso del modelo descargado por cuenta propia. Revisa también las recomendaciones de la AEPD y consulta a la persona responsable de privacidad antes de tratar datos reales.
Como mínimo, prueba primero con documentos ficticios, establece acceso limitado, define borrado y conservación, y documenta el paso de verificación humana. Para una guía más amplia, lee privacidad de la IA en el trabajo. No cargues facturas identificables desde una cuenta personal o sin autorización y garantías aprobadas por tu organización.
¿Tiene sentido probarlo en finanzas?
DeepSeek OCR puede interesar a un equipo con apoyo técnico que quiera evaluar un modelo abierto para transformar imágenes o PDF en texto y medir cuánto trabajo de captura podría ahorrar. La prueba debe comparar la extracción con los originales, registrar errores por tipo de documento y calcular el esfuerzo de instalación, mantenimiento y revisión. No hay una cifra universal de precisión o ahorro que se pueda inferir del README.
Si tu objetivo es aplicar IA a reporting, forecasting, Excel y flujos financieros de forma más amplia, conoce el programa comprobado de IA para Finanzas. Antes de subir documentos, mide también qué tareas se benefician de una herramienta y qué decisiones deben quedarse bajo control humano.
Sigue leyendo en humAIns