Почему оригинальный DeepSeek OCR 2 не запускается на Mac?
DeepSeek OCR 2 — это монстр среди OCR-моделей 2026 года. Точность под 99% на сложных документах, поддержка 100+ языков, и всё это в open-source пакете. Но есть проблема: официальная реализация заточена под NVIDIA GPU с CUDA. Попробуйте запустить её на MacBook — получите ошибку про отсутствие CUDA. На обычном CPU без видеокарты — та же история.
На 28.01.2026 оригинальный репозиторий DeepSeek OCR 2 всё ещё требует CUDA для работы. Если у вас нет NVIDIA GPU, модель просто не запустится.
Что изменила модифицированная сборка?
В GitHub появился форк, который решает эту проблему. Разработчик переписал код инициализации модели, добавив автоматическое определение устройства:
- CUDA — если есть NVIDIA GPU, использует её (как оригинал)
- MPS — автоматически переключается на Metal Performance Shaders для Mac
- CPU — работает на обычном процессоре через PyTorch CPU backend
Технически это выглядит так: вместо жесткой привязки к cuda:0 код проверяет доступные устройства и выбирает оптимальное. Для Mac с чипами M1/M2/M3 это MPS — Apple-специфичная реализация, которая ускоряет вычисления в 3-5 раз по сравнению с чистым CPU.
Установка за 5 минут
1 Клонируем репозиторий
git clone https://github.com/[username]/deepseek-ocr2-cpu-mps.git
cd deepseek-ocr2-cpu-mps2 Ставим зависимости
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install -r requirements.txtВажный момент: если вы на Mac, PyTorch автоматически подтянет MPS-совместимую версию. Для Windows/Linux на CPU — CPU-версию. Не нужно вручную указывать ничего.
3 Загружаем модель
python download_model.pyМодель весит около 1.8 ГБ. DeepSeek OCR 2 использует архитектуру Swin Transformer + CNN — не самый лёгкий вариант, но и не гигант вроде DeepSeek V4 с его 700 миллиардами параметров.
4 Запускаем распознавание
from deepseek_ocr import DeepSeekOCR
ocr = DeepSeekOCR(device="auto") # Автовыбор: CUDA → MPS → CPU
result = ocr.recognize("document.jpg")
print(result["text"])Параметр device="auto" — ключевое отличие от оригинала. Модель сама определит, что у вас есть. На MacBook M3 Pro это будет примерно в 4 раза быстрее, чем на CPU того же MacBook.
Сравнение производительности
| Платформа | Время обработки (A4 текст) | Потребление памяти | Примечания |
|---|---|---|---|
| NVIDIA RTX 4090 (CUDA) | 0.8 сек | 3.2 ГБ | Оригинальная конфигурация |
| Mac M3 Max (MPS) | 2.1 сек | 2.8 ГБ | Лучший вариант для Mac |
| Intel i7-13700K (CPU) | 8.5 сек | 2.5 ГБ | Работает, но медленно |
| Mac M1 (CPU fallback) | 12.3 сек | 2.3 ГБ | Когда MPS не срабатывает |
Цифры актуальны на 28.01.2026 для DeepSeek OCR 2 версии 2.1.3. Если сравнить с другими моделями из нашего гида по open-source OCR, то DeepSeek проигрывает в скорости, но выигрывает в точности на сложных документах.
Альтернативы: что ещё работает на CPU/Mac?
DeepSeek OCR 2 — не единственный вариант. Вот что можно использовать в 2026 году без видеокарты:
- PaddleOCR — китайский стандарт, отлично работает на CPU, но английский интерфейс так себе
- EasyOCR — проще в установке, но точность на 15% ниже, чем у DeepSeek
- Tesseract 5.5 — классика, которую все ругают, но которая стабильно работает везде
- Qwen2.5-VL — если нужно не просто текст, а понимание документа. Но для запуска на Mac с 8 ГБ памяти придётся попотеть, как в нашем гайде по медицинскому почерку.
Главное преимущество модифицированного DeepSeek OCR 2 — он сохраняет точность оригинала. Вы не теряете в качестве, просто получаете поддержку большего числа платформ.
Типичные проблемы и их решение
«RuntimeError: MPS backend out of memory» — самая частая ошибка на Mac. Решение: уменьшите batch_size в настройках OCR или обрабатывайте изображения по одному.
Ещё несколько сценариев:
- Не запускается на Windows без CUDA — убедитесь, что установлен PyTorch CPU версии. Команда выше ставит правильную версию.
- Ошибки импорта — проверьте версию Python. Нужна 3.9+. На 28.01.2026 уже есть проблемы с Python 3.7.
- Медленная работа на CPU — это норма. DeepSeek OCR 2 не оптимизирован для CPU-инференса. Для production лучше арендовать GPU или использовать конвертацию в Core ML.
Кому подходит эта сборка?
Если вы:
- Разработчик, который хочет интегрировать SOTA-OCR в приложение, но не имеет доступа к серверным GPU
- Владелец MacBook, которому надоело платить за облачные OCR-сервисы вроде AWS Textract
- Исследователь, тестирующий разные OCR-модели локально перед выбором production-решения
- Студент, делающий проект по компьютерному зрению на своём ноутбуке
То эта сборка для вас. Она не магическим образом ускоряет модель — на CPU она всё ещё медленная. Но она даёт доступ к state-of-the-art распознаванию текста без инвестиций в железо.
Интересный факт: та же проблема была с DeepSeek V3.2 — изначально модель требовала специфичных оптимизаций. Сообщество исправило это за пару месяцев. С OCR-версией история повторяется.
Что будет дальше?
На 28.01.2026 тренд очевиден: модели становятся умнее, но и требовательнее к железу. Разработчики из DeepSeek обещают в следующей версии OCR 3.0 нативную поддержку MPS и улучшенную CPU-оптимизацию. Но ждать её до конца 2026 года.
Пока же универсальные сборки от сообщества — единственный способ запускать современные модели на массовом железе. Этот патч — не хак, а необходимость. Как когда-то приходилось патчить llama.cpp для работы со sparse attention.
Совет напоследок: если делаете коммерческий продукт, тестируйте на целевых устройствах. MPS на Mac Mini M2 и MacBook Pro M3 Max ведут себя по-разному. И да, всегда имейте fallback на CPU — пользователи ненавидят сообщения «ваше устройство не поддерживается».
