出品｜搜狐科技

作者｜鄭松毅

DeepSeek再次“低調(diào)”震驚世界！

他們新發(fā)布并開源的OCR模型，從根本上改變了AI游戲規(guī)則。Github開源項目DeepSeek-OCR，一夜收獲超4k星。相關論文（《DeepSeek OCR：上下文光學壓縮》）解釋了這一研究成果。

很多人好奇，什么是OCR？

傳統(tǒng)OCR如同“文字掃描儀”，通過光學技術將圖像中的文字提取轉(zhuǎn)換為計算機和人都能理解的格式。比如，在將大量票據(jù)、證件、表單等數(shù)據(jù)電子化時，OCR發(fā)揮關鍵作用。

但DeepSeek卻反其道而行之——將文本信息“繪制”為視覺圖像，再通過視覺模型實現(xiàn)高效理解。如此創(chuàng)新嘗試就是為了解決大模型的核心痛點——處理長文本時面臨的計算挑戰(zhàn)。

效果有多驚艷？10頁密密麻麻的文本報告，被壓縮成一張圖片，AI能夠一眼讀懂它。這樣的信息處理效率意味著大幅降低了計算復雜度，用最直接的方式節(jié)約成本。

論文發(fā)布后，意料之內(nèi)的好評如潮，有網(wǎng)友直接將其稱為“硅基生命進化論”。

最近還在銳評AI發(fā)展的OpenAI創(chuàng)始團隊成員、特斯拉前AI總監(jiān)Karpathy，對DeepSeek新成果直言喜愛，并指出“早就該讓視覺成為AI核心，而非依賴爛透了的文本分詞器?！?/p>

更有業(yè)內(nèi)大佬感嘆，“當文本能被轉(zhuǎn)化為視覺可理解的結構，語言與視覺的統(tǒng)一或許不再是理論。這可能是通往 AGI（通用人工智能）的關鍵一步?！?/p>

DeepSeek新研究：

把大量文字壓縮到圖片，讓模型直接看圖理解

本質(zhì)上來說，DeepSeek-OCR是將視覺與語言模態(tài)深度融合，通過“視覺-文本壓縮”建立自然映射關系，為多模態(tài)大模型提供了新的技術路徑。

之前的大模型可以說是“帶著腳銬的舞者”，雖有強大的語言理解能力，卻被低效的信息輸入方式嚴重束縛。

拿模型閱讀長篇文本來說，每頁財報、論文都包含數(shù)千個token，傳統(tǒng)方式下只能逐字逐句識別，導致計算量爆炸。這種低效作業(yè)讓大模型在法律、金融等領域的應用舉步維艱。

而DeepSeek這次用到了一個巧妙思維——既然一張圖片能裝下成千上萬的文字，那是不是大量文字信息也能被壓縮到一張圖片里，讓模型直接看圖理解就好了。

為實現(xiàn)這一設想，DeepSeek為OCR模型配備了三件套——圖像編碼器、映射層和文本解碼器。其中，圖像編碼器DeepEncoder（負責把圖片轉(zhuǎn)成高度壓縮的視覺token）參數(shù)為380M，文本解碼器（負責從壓縮的視覺token里重建文字）是一個deepseekv2-3b的模型，參數(shù)為3B。

整體訓練數(shù)據(jù)由4部分組成，包括OCR1.0數(shù)據(jù)（傳統(tǒng)OCR任務，如圖像OCR和文檔OCR）、OCR2.0數(shù)據(jù)（復雜圖像解析任務，如幾何、圖表等）、通用視覺數(shù)據(jù)（用于注入通用圖像理解能力）、及純文本數(shù)據(jù)（用于確保模型的語言能力）。

別看模型參數(shù)不大，但就研究結果發(fā)現(xiàn)，當文本壓縮率小于10倍時，模型OCR解碼準確率高達97%，及時壓縮率高達20倍時，準確率依舊能保持在60%。在A100-40G顯卡環(huán)境下，單日可生成超過20萬頁的模型訓練數(shù)據(jù)。

也就是說，如果普通 OCR 需要 10,000 個 token 才能讀完整篇文檔，這個模型可能只用 1,000 個就能搞定，且能高準確度地理解信息。

受益于訓練數(shù)據(jù)多樣性，論文提到DeepSeek-OCR不僅能識別文字，還能理解文檔布局、圖表結構。從某種角度說，這已經(jīng)不是傳統(tǒng)的OCR，而更接近“文檔理解引擎”。

論文中提到的一個基準叫OmniDocBench，就是專門用來測試復雜文檔理解能力的。DeepSeek-OCR 在這個基準上，用更少的視覺 token 數(shù)量就超過了 GOT-OCR 2.0 和 MinerU 2.0，這倆都是目前較頂尖的開源 OCR 模型，可謂十分能打。

讓AI記憶模式更像人類

在論文中，DeepSeek還談到了一直困擾業(yè)界的AI“記憶”和“遺忘”機制。

深度學習模型的記憶以分布式參數(shù)形式存儲，這種非結構化存儲導致傳統(tǒng)神經(jīng)網(wǎng)絡在學習新任務時，舊知識的參數(shù)空間會被新知識覆蓋，模型無法做到像人類一樣進行連貫推理。

而DeepSeek的想法是，通過視覺-文本壓縮范式和動態(tài)分層遺忘機制，讓AI“記住該記住的，忘記該忘記的”。

其核心思路是將文本信息轉(zhuǎn)化為視覺token，通過光學壓縮實現(xiàn)高效記憶管理，同時模擬人類遺忘曲線動態(tài)調(diào)整信息留存。

在這個過程中，核心組件DeepEncoder發(fā)揮關鍵作用，50-100個視覺tokens即可還原1000字文本，實現(xiàn)近 10 倍的計算量節(jié)省。

這種壓縮并非簡單的信息降維，而是通過“注意力機制+結構化訓練”，優(yōu)先保留對模型推理最關鍵的信息。類似人類閱讀時“先抓標題再看細節(jié)”的認知模式，去除不重要的信息噪聲。

關于如何讓模型的記憶模式更像人類，研究者做了進一步解釋：對于近期記憶，可以將其渲染成高分辨率圖像，用多token數(shù)量保留高保真信息。而對于遠期記憶，可以縮放成更小、更模糊的圖像，用少量token來保留信息，從而實現(xiàn)信息的自然遺忘和壓縮。

雖然當前還僅是研究前期探索階段，但DeepSeek的創(chuàng)新思路，確實讓AI越來越像人類了。

三名作者

本篇論文共有3名作者：Haoran Wei、Yaofeng Sun、Yukun Li。

論文一作Haoran Wei曾主導開發(fā)爆火項目GOT-OCR2.0，此次的DeepSeek-OCR也可以說是延續(xù)了此前項目的創(chuàng)新技術路徑。根據(jù)此前論文信息顯示，Haoran Wei還曾就職于階躍星辰。

Yaofeng Sun畢業(yè)于北京大學圖靈班計算機科學專業(yè)，于2023年加入DeepSeek，先后參與DeepSeek-r1、DeepSeek-v3、DeepSeek-v2等模型的研究。

Yukun Li也參與了包括DeepSeek-v2/v3在內(nèi)的多款模型研究，谷歌學術論文引用量近萬。

運營編輯 |曹倩審核｜孟莎莎