硅谷正为DeepSeek的新模型沸腾！仅3B参数却带来指数级效能突破，被业内评价为“将谷歌Gemini严防死守的核心技术开源了”。唯一的小争议，或许是它那个略显直白的命名——“DeepSeek-OCR”。
这一模型直面大模型处理长文本时算力激增的痛点，以“视觉压缩文本”的思路实现四两拨千斤。其背后理念极为简洁：既然一张图能承载海量文字（且占用更少token），何不将文本信息转化为视觉表征进行压缩？正如人类阅读时扫视即可理解，无需逐字解码。
实验证明，当文本token数在视觉token数的10倍以内时，模型解码准确率高达97%；即便压缩率提升至20倍，准确率仍保持在60%左右。
更令人瞩目的是其极致的效能表现：仅需一张A100-40G GPU，每日即可生成超20万页高质量训练数据。研究成果甫一发布，GitHub迅速收获3.3K星，HuggingFace热榜跃居第二，X平台热议如潮。
AI专家卡帕西直言欣赏这一设计，特别指出“图像比文字更适合作为LLM输入”的巧思；更有评论称此为“AI的JPEG时刻”，为记忆架构开辟全新路径；甚至有人推测，这相当于公开了谷歌Gemini的核心机密。
同时，这项研究也引发深层思考：这种统一视觉与语言的方法，是否将成为通向AGI的关键路径？论文中还探讨了模拟人类记忆的“遗忘”机制，为长上下文处理提供了新视角。
▍技术核心：双组件协同实现高效压缩
DeepSeek-OCR的核心架构包含两大组件：
- DeepEncoder编码器：将图像转化为高密度视觉token
- DeepSeek3B-MoE-A570M解码器：从压缩token中重构文本
其中，DeepEncoder采用三阶段串行设计：
- 局部处理：基于SAM-base模型进行细粒度特征提取
- 特征压缩：通过16倍卷积层大幅削减token数量
- 全局理解：利用CLIP-large模型深度解析浓缩特征
该编码器支持从“Tiny”（64token）到“Gundam”（近800token）的多级压缩模式，可根据任务需求动态调整压缩强度。
在OmniDocBench基准测试中，DeepSeek-OCR以最少视觉token达到最优性能：仅100token即超越GOT-OCR2.0的256token表现；400token便可媲美原SOTA模型；不到800token即显著超越MinerU2.0的近7000token效果。
▍研究团队与创新展望
本研究由三位研究人员主导：
- Haoran Wei：曾主导GOT-OCR2.0开发，持续深耕端到端文档解析
- Yaofeng Sun：参与DeepSeek多代模型研发
- Yukun Li：谷歌学术引用近万次，深度参与V2/V3等模型开发
团队还提出一项前瞻构想：通过光学压缩模拟人类记忆机制。将近期记忆渲染为高分辨率图像保留细节，远期记忆则渐进压缩实现自然“遗忘”，这或许为构建无限长上下文架构提供了新方向。
这种更接近人类智能的处理方式，有望解决传统方法中计算资源随上下文长度暴涨的难题。
资源入口：
Hugging Face：https://huggingface.co/deepseek-ai/DeepSeek-OCR
GitHub：https://github.com/deepseek-ai/DeepSeek-OCR
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：http://www.itsolotime.com/archives/4351
