DeepSeek开源新模型：用视觉模式实现上下文压缩。
10月20日，DeepSeek宣布开源最新大模型DeepSeek-OCR。所谓的OCR，据DeepSeek在论文中解释称，是通过光学2D映射压缩长上下文可行性的初步研究。DeepSeek-OCR由两部分组成：DeepEncoder和作为解码器的DeepSeek3B-MoE-A570M。DeepEncoder作为核心引擎，设计为在高分辨率输入下保持低激活，同时实现高压缩比，以确保视觉tokens数量优化且可管理。
通俗而言，这是一种视觉-文本压缩范式，通过用少量的视觉token来表示原本需要大量文本token的内容，以此降低大模型的计算开销。
据公布的论文名单显示，该项目由DeepSeek三位研究员Haoran Wei、Yaofeng Sun、Yukun Li共同完成，但这三位核心作者都颇为低调，其中一作作者Haoran Wei曾在阶跃星辰工作过，曾主导开发旨在实现“第二代 OCR”的GOT-OCR2.0系统。
DeepSeek-OCR的架构分为两部分。一是DeepEncoder，一个专为高压缩、高分辨率文档处理设计的视觉编码器；二是DeepSeek3B-MoE，一个轻量级混合专家语言解码器。这款刚开源不久的新模型，发布后就得到海外科技媒体广泛赞美，有网友盛赞：“这是AI的JPEG时刻。”
前特斯拉AI总监、OpenAI创始成员安德烈卡帕西(Andrej Karpathy)在社交媒体高度评价DeepSeek的新模型，他表示，自己相当喜欢新的DeepSeek-OCR论文，“它是一个很好的OCR模型（可能比dots稍微差一点），是的，数据收集等等，但无论如何都不重要。对我来说更有趣的部分（尤其是作为一个以计算机视觉为核心，暂时伪装成自然语言的人）是像素是否比文本更适合作为LLM的输入。作为输入，文本标记是否浪费且糟糕。”
根据他的设想，或许所有LLM的输入都只应该是图像。即便是纯文本内容，也应该先渲染成图片再输入给模型，其中理由包括：信息压缩效率更高、像素更通用、支持双向注意力、可淘汰存在安全隐患的分词器（Tokenizer）。
特斯拉创始人马斯克（Elon Musk）也现身评论区，并表示：“从长远来看，AI模型超过99%的输入和输出都将是光子，没有其他任何东西可以规模化。”
知名科技媒体《麻省理工科技评论》解释称，DeepEncoder是整个系统的关键所在。它的设计目标在于，在处理高分辨率输入图像的同时，保持较低的激活内存，并实现极高的压缩比。为达到这一目的，DeepEncoder融合两种成熟的视觉模型架构：SAM（Segment Anything Model）和 CLIP（Contrastive Language–Image Pre-training）。前者以窗口注意力机制（window attention）见长，擅长处理局部细节，构成编码器的前半部分；后者则依赖密集的全局注意力机制（global attention），能够捕获整体知识信息。
《麻省理工科技评论》表示，除了文本识别性能，DeepSeek-OCR还具备较强的“深度解析”能力。这得益于其训练数据中包含了图表、化学分子式、几何图形等多样化的视觉内容。因此，模型不仅能识别标准文本，还能对文档中嵌入的复杂元素进行结构化解析。例如，它可以将报告中的图表转换为表格数据，将化学文献中的分子式输出为SMILES格式，或解析几何图形中的线段关系。这种超越传统文本识别的能力，拓展了其在金融、科研、教育等专业领域的应用空间。
DeepSeek介绍，实验表明，当文本tokens数量在视觉tokens的10倍以内（即压缩比<10）时，模型可达到97%的OCR精度。即使在20压缩比下，OCR精度仍保持在约60%。这为历史长上下文压缩和LLM中的记忆遗忘机制等研究领域展示可观前景。
DeepSeek-OCR还初步验证上下文光学压缩的可行性，证明模型可以从少量视觉tokens中有效解码超过10倍数量的文本tokens。DeepSeek-OCR也是一个高度实用的模型，可大规模生产预训练数据，“未来，我们将进行数字-光学文本交错预训练、大海捞针测试等进一步评估，继续推动这一有前景的研究方向。”
据海外科技媒体分析，研究团队表示，在基准测试中，DeepSeek-OCR优于多个主流模型，且使用的视觉tokens数量少得多。此外，单张A100-40G GPU每天可生成超过20万页的训练数据，可为大型语言模型和视觉-语言模型的开发提供支持。
前网易副总裁、杭州研究院执行院长汪源发文表示，DeepSeek-OCR模型是一个专门能“读懂”图片里文字的AI模型。但厉害的地方不是简单“识字”，是采用了一种非常新颖的思路：把文字当成图片来处理和压缩。
汪源认为，可以把它想象成一个超级高效的“视觉压缩器”，传统的AI模型是直接“读”文本，但 DeepSeek-OCR 是先“看”文本的图像，然后把一页文档的图片信息高度压缩成很少的视觉tokens。DeepSeek-OCR的能力强在能把一篇1000字的文章，压缩成100个视觉tokens。在十倍的压缩下，识别准确率可以达到96.5%。
还没有评论，来说两句吧...