大数据文摘出品最近，DeepSeek 推出了一种全新的 OCR 系统，能让 AI 在不超出内存限制的情况下，处理更长的文档。
地址：
https://github.com/deepseek-ai/DeepSeek-OCR?tab=readme-ov-file
这套系统的关键，是把文字当作图像来压缩。DeepSeek 发现，处理图片反而比处理纯文本更节省算力。
据其技术论文，系统在保留 97% 信息量的前提下，可将文档压缩至原来的十分之一。
换句话说，一本上百页的 PDF，经 DeepSeek 处理后，只需原来十分之一的 token 数量，就能被 AI 完整阅读。
DeepSeek OCR 的核心由两部分组成：一是图像处理模块，DeepEncoder，二是基于Deepseek-3B-MoE的文本生成器。.
DeepEncoder 拥有 3.8 亿参数，负责将文档图片分析为压缩后的视觉 token；文本生成器在此基础上恢复文字与结构。
在技术上，它融合了 Meta 的 SAM（Segment Anything Model）与 OpenAI 的CLIP 模型。
SAM 担任局部视觉分析，CLIP 则提供全局语义关联。两者之间，嵌入了一个 16 倍压缩器，大幅减少图像 token 数量。
一张 1024×1024 像素的图片，起初被分为 4096 个 token；经压缩后，只剩 256 个。这一过程的算力节省是数量级的：CLIP 的计算负担因此显著下降。
在低分辨率下，DeepSeek OCR 每张图仅需 64 个视觉 token；高分辨率时也不超过 400。
相比之下，传统 OCR 系统往往需要数千 token 才能完成同样的任务。
DeepSeek 并不仅仅识别文字。它能识别图表、化学式、几何图形等多种复杂结构。
研究团队称，系统可直接从财报图表中提取结构化数据，并自动生成 Markdown 表格。
在“深度解析模式”下，它能将金融图表、几何图形重新绘制成矢量图，并同时保留说明文字。
测试结果显示，DeepSeek OCR 在 OmniDocBench 基准上超过了 GOT-OCR 2.0。
在仅使用 100 个视觉 token 的情况下，它的表现优于 GOT-OCR 2.0 使用 256 token 的结果。
即使在 800 token 以下，DeepSeek 也击败了 MinerU 2.0，后者每页需超过 6000 token。
根据对比数据，DeepSeek OCR 的 Gundam-M 模式在中英文混合识别上取得了最佳编辑距离分数。
系统根据文档复杂度自动选择模式：简单演示文档用 64 token；普通报告约 100；复杂报纸需启用“Gundam 模式”，上限 800 token。
此外，它还提供 Resize、Padding、Multi-page、Sliding 四种策略，在多页文档中平衡压缩率与准确性。
DeepSeek OCR 的训练规模同样罕见。研究团队使用了 三千万页 PDF 语料，覆盖约一百种语言。
其中包括 2500 万页中英文文档，以及一千万张合成图表、五百万化学公式、一百万几何图形。
这些数据让模型具备了跨领域、跨语言的泛化能力。
它不仅能保持原始排版，还能在输出中附带文字描述和图像内容说明。
在多模态大模型中，文本上下文的限制一直是瓶颈。DeepSeek 的方法绕开了传统 token 计数逻辑，用视觉 token 替代文本 token。
这使得语言模型能在“看图”的同时完成“读文”。
对研究者而言，这是一种近似“外接硬盘”的解决方案：通过视觉压缩，AI 的上下文长度几乎无上限。
这种方式也预示着未来的模型架构可能不再区分“文本理解”和“图像理解”。
注：头图AI生成
作者长期关注 AI 产业与学术，欢迎对这些方向感兴趣的朋友添加微信 Q1yezi，共同交流行业动态与技术趋势！
GPU 训练特惠！
H100/H200 GPU算力按秒计费，平均节省开支30%以上！
点「赞」的人都变好看了哦！
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
