最近 AI 圈又出新花活儿了，DeepSeek 团队悄咪咪地开源了一个 30 亿参数的小模子，名叫 DeepSeek-OCR。

别看体量不大，想法但是够炸的：他们竟然规划让 AI 用看图的神志去读文本。

没错，真“看图识字”。

况且不仅仅识字，而是让“视觉模态”成为一种文本压缩介质，用图片来代表笔墨，用“视觉 token ”取代“文本 token ”，达成所谓的光学压缩（Optical Compression）。

说真话，老狐看到这论文内容的时候，第一响应是：他们是想让言语模子也上好意思术课？

不外仔细一想，还真挺有兴趣兴趣。

大言语模子（LLM）最大的痛点是什么？处理长文本太烧算力。

全球齐知说念，大模子的负责力机制复杂度是宽泛级的。你给它 2 倍的输入，它要算 4 倍的东西；你让它记取一通盘长文档，它坐窝运行“烧卡烧心”。

那能不可换个念念路？DeepSeek 团队说：既然一张图能装下很多字，那不如把文本凯旋形成图像，再让模子去看图！

论文里有个罕见直不雅的例子：正本 1000 个 token 智商抒发的内容，刻下只用 100 个视觉 token 科罚，压缩 10 倍，还能保留 97% 的 OCR 准确率。

再狠点，压缩 20 倍也还能保留约 60% 的准确率。这意味着，模子“读图”的效力，竟然比“读字”还高。

换句话说，模子没丢太多信息，但算力工作轻了十倍。

不少网友看到这里齐傻了：AI 处理图像用量比长文本还少？这反东说念主类直观啊！

也有网友嗟叹：DeepSeek 这是想让模子“看文档像刷一又友圈”相同自尊。

老狐认为，这波操作不错称得上“反向降维打击”。

昔时咱们齐在想目标让模子更懂笔墨、看得更远；DeepSeek 凯旋反着来：让模子把字形成画，再“看画识文”。有点像回到了东说念主类最原始的换取神志：象形。

说到这儿，得聊聊这模子到底咋作念的。DeepSeek-OCR 由两部分构成：DeepEncoder（看图压缩）+DeepSeek3B-MoE（解码规复）。

前者是通盘系统的“压缩引擎”，它把两大视觉猛将 SAM-base 和 CLIP-large 串起来：

SAM 负责盯细节的“窗口负责力”，CLIP 负责持合座的“全局负责力”。中间还塞了个 16 × 卷积压缩模块，有利砍 token。

比如说，一张 1024 × 1024 的图片，表面上要被切成 4096 块去向理，刻下被这个压缩模块一刀下去，凯旋瘦身成几百个 token。

这么一来，既保留了昭着度，又不炸显存。

况且它还维持多档鉴别率步地：Tiny、Small、Base、Large，还有一个代号叫 “ Gundam（高达）” 的动态步地。

你没看错，这模子甚而取名齐带点“中二魂”。

解码器部分则是 DeepSeek 的资本行：MoE（羼杂内行）架构。

64 个内行中每次只激活 6 个，再加两个分享内行，本色算力只动用了约 5.7 亿参数，但性能比好意思 30 亿模子。又快又省，号称“节能灯中的斗争机”。

它的任务也不复杂，等于从那些压缩后的视觉 token 里，把笔墨“解码”追思。

通盘经过有点像 OCR 的升级版，不外，此次是模子我方在“看图猜字”，而不是东说念主类教它识字，况且猜得相配准。

固然，要把这玩意训好，得先喂够粮。DeepSeek 这回但是下了血本：整整 3000 万页 PDF 文档，涵盖 100 种言语，其中中英文就占 2500 万页。

他们还整了个“模子飞轮”：先用一个版面分析模子粗标数据，再用 GOT-OCR 之类的模子作念精标，窥察一遍，再反过来标更多半据。

月盈则食，模子我方喂我方长大。

除此以外，还有 300 万条 Word 文档，有利练公式识别、HTML 表格提真金不怕火，甚而包括金融图表、化学结构式、几何图形等奇奇怪怪的图像结构，也齐被塞进窥察聚会。

DeepSeek 还从 LAION、Wukong 这些开源数据集持了中英文各 1000 万张场景图，用 PaddleOCR 标注。

不错说，这波窥察，真的是“从理工科到艺术科全消灭”，真确切正用数据砸出来的灵巧脑袋。

那成果咋样？论文里放了几组铁心，相配能打。

在 OmniDocBench 测试上，DeepSeek-OCR 用 100 个视觉 token 就跨越了 GOT-OCR2.0（每页 256 token）。用不到 800 个视觉 token，又突出了 MinerU2.0（每页 6000+ token）。

性能更强、输入更短、推理更快。

这速率，几乎是“ AI 印刷机”。

不外，最让老狐拍桌嗟叹的，是论文终末阿谁脑洞：光学压缩还能模拟东说念主类渐忘？

东说念主脑的挂牵会随时刻零落，往事暗昧，新事昭着。DeepSeek 团队就讨论：那 AI 能不可也学会“忘”？

如果 AI 也能像东说念主相同“领受性挂牵”，是不是就能在超长对话里活得更自尊？

他们设计了一个施行想象：跨越第 k 轮的历史对话内容，就渲染成图像；先压一遍，减少 10 倍 token；再久远少许，接续减轻图像尺寸；图像越小，信息越暗昧，最终就“忘掉”了。

有网友看完凯旋嗟叹：这不等于在模拟东说念主脑挂牵机制嘛！

固然，也有东说念主泼凉水：DeepSeek 的幻觉高得惊东说念主，这如果再给它学会“忘”，怕是忘得比东说念主还快。

老狐看完这部分，是真认为有点形而上学意味。AI 的挂牵，到底该无尽延展，如故学会渐忘？

DeepSeek 给出的谜底是后者，它用视觉的神志，让模子在“压缩”的同期，也“过滤”掉冗余。就像东说念主脑那样：只留有效的信息。

这背后的道理，比 OCR 自己更大。它在从头界说“高下文”的主意：不是谨记多，而是谨记精。

说到底，DeepSeek-OCR 看似是个 OCR 模子，实则是在试探一种新范式：能不可用视觉模态来高效承载言语信息？

在总共东说念主齐往“更大、更长、更贵”的标的卷的时候，DeepSeek 却反手作念了个“更小、更快、更巧”的模子。

这事儿自己就很 DeepSeek。

老狐终末想说一句：AI 的进化，可能并不老是加法，无意候减法更优雅。

DeepSeek-OCR 等于个活生生的例子：一个 3B 小模子，玩出了长文本压缩的新念念路，甚而顺遂摸到了“挂牵与渐忘”的规模。

如果说前年是“谁能记取更多”凯发·k8国际app娱乐，那本年，可能是“谁能忘得更灵巧”。而 DeepSeek，此次又走在了前头。