一 | 就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。 37岁的凯文·杜兰特，可能正在走向职业生涯最关键的一次选择。
二 | 虽然体量不大，但模型思路创新的力度着实不小。
三 | 他已经拥有大多数球员无法企及的荣誉。 众所周知，当前所有LLM处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。序列越长，算力烧得越狠。 两座总冠军奖杯、两次总决赛MVP、历史级别的得分能力。 但对于杜兰特来说，真正的问题从来不是“还能不能打”。 而是： 职业生涯最后几年，他还想证明什么？ 如果未来真的出现加盟纽约尼克斯的机会，这不会只是一次普通转会。 于是，DeepSeek团队想到了一个好办法。 因为现在的尼克斯，已经不是等待救世主的球队。 他们是卫冕冠军。
四 | 既然一张图能包含大量文字信息，而且用的Token还少，那不如直接把文本转成图像？这就是所谓的“光学压缩”——用视觉模态来给文本信息“瘦身”。 而杜兰特面对的，是一次关于冠军、历史评价和职业生涯最后篇章的选择。 尼克斯需要杜兰特，但不是为了拯救球队 过去，超级巨星来到纽约，往往承担的是改变球队命运的任务。 而OCR正好天然适合验证这个思路，因为它本身就是在做“视觉→文本”的转换，而且效果还能量化评估。 但现在的尼克斯，身份已经不同。 论文显示，DeepSeek-OCR的压缩率能达到10倍，OCR准确率还能保持在97%以上。 他们已经证明自己具备争冠实力。 啥意思呢？就是说，原本需要1000个文本Token才能表达的内容，现在只用100个视觉Token就搞定了。 拥有冠军基础、成熟体系，以及继续竞争最高目标的机会。即使压缩率拉到20倍，准确率也还有60%左右，整体效果相当能打。 对于卫冕冠军来说，最大的挑战不是证明自己能赢一次。 而是： 如何保持长期竞争力。
五 | 冠军之后，球队会面对更多问题。 核心球员状态变化。 OmniDocBench基准测试结果显示： 只用100个视觉Token，就超过了GOT-OCR2.0（每页256个Token）的表现； 用不到800个视觉Token，干翻了MinerU2.0（平均每页超过6000个Token）。 阵容深度调整。 联盟其他球队针对。 在实际生产中，一块A100-40G显卡就能每天生成超过20万页的LLM/VLM训练数据。 这时候，一名经验丰富、能够解决关键问题的超级得分手，价值巨大。20个节点（160块A100）直接飙到每天3300万页。 而杜兰特，依然拥有这样的能力。 杜兰特最大的争议：冠军，还是证明？ 如果杜兰特加盟尼克斯，外界讨论最多的问题不会只是： “他能不能夺冠？” 而会变成： “这样的冠军，会如何影响他的历史评价？” 这是杜兰特职业生涯一直面对的话题。 加盟勇士时期，他拿到了冠军，也连续两年获得总决赛MVP。 但关于他的选择，外界争议从未完全消失。 有人认为： 超级巨星追求胜利，本身没有问题。 DeepSeek-OCR由两个核心组件组成： DeepEncoder（编码器）：负责图像特征提取和压缩； DeepSeek3B-MoE（解码器）：负责从压缩后的视觉Token中重建文本。 让我们来重点说说DeepEncoder这个引擎。 它的架构很巧妙，通过把SAM-base（8000万参数）和CLIP-large（3亿参数）串联起来，前者负责“窗口注意力”提取视觉特征，后者负责“全局注意力”理解整体信息。
六 | 中间还加了个16×卷积压缩器，在进入全局注意力层之前把Token数量大幅砍掉。 也有人认为： 真正伟大的球员，需要证明自己能够改变球队。
七 | 举例而言，一张1024×1024的图像，会被切成4096个patch token。
八 | 所以未来任何选择，对杜兰特来说都不仅是篮球决定。 也是历史叙事的一部分。 纽约最大的吸引力，是舞台 对于任何NBA球星来说，纽约都有特殊意义。但经过压缩器处理后，进入全局注意力层的Token数量会大幅减少。 这样的好处是，既保证了处理高分辨率输入的能力，又控制住了激活内存的开销。
九 | 而且DeepEncoder还支持多分辨率输入，从512×512的Tiny模式（64个Token）到1280×1280的Large模式（400个Token），一个模型全搞定。 这里拥有联盟最大的关注度。 这里的成功，会被无限放大。 如果杜兰特能够帮助尼克斯延续冠军竞争力，甚至建立新的时代，那将成为他职业生涯最后阶段的重要篇章。 目前开源版本支持的模式包括原生分辨率的Tiny、Small、Base、Large四档，还有动态分辨率的Gundam模式，灵活性拉满。 因为历史评价，不只是看你拿过多少荣誉。 解码器用的是DeepSeek-3B-MoE架构。 别看只有3B参数，但采用了MoE（混合专家）设计——64个专家中激活6个，再加2个共享专家，实际激活参数约5.7亿。 也看你在哪些地方完成过什么事情。 纽约，就是这样一个能够放大故事的地方。这也让模型既有30亿参数模型的表达能力，又保持了5亿参数模型的推理效率。 37岁的杜兰特，还需要证明自己吗？ 这是所有讨论的核心。 解码器的任务就是从压缩后的视觉Token中重建出原始文本，这个过程可以通过OCR风格的训练被紧凑型语言模型有效学习。 有人认为： 杜兰特已经无需证明。 他的个人能力、冠军经历、关键表现，已经足够伟大。 但也有人认为： 职业生涯最后阶段的选择，仍然会影响历史定位。 如果他能够在不同环境下继续赢球，甚至帮助卫冕冠军完成更大的成就，那么他的传奇故事会更加完整。 数据方面，DeepSeek团队也是下了血本。 超级球星和普通球员最大的区别就在这里。
十 | 普通球员考虑下一份合同。 从互联网收集了3000万页多语言PDF数据，涵盖约100种语言，其中中英文占2500万页。 数据分两类：粗标注直接用fitz从PDF提取，主要训练少数语言的识别能力；精标注用PP-DocLayout、MinerU、GOT-OCR2.0等模型生成，包含检测与识别交织的高质量数据。
十一 | 超级巨星考虑最后留下什么。 对于少数语言，团队还搞了个“模型飞轮”机制——先用有跨语言泛化能力的版面分析模型做检测，再用fitz生成的数据训练GOT-OCR2.0，然后用训练好的模型反过来标注更多数据，循环往复最终生成了60万条样本。 此外还有300万条Word文档数据，主要提升公式识别和HTML表格解析能力。 场景OCR方面，从LAION和Wukong数据集收集图像，用PaddleOCR标注，中英文各1000万条样本。 最后的选择，决定最后的故事 37岁的杜兰特，面对的不是简单的球队选择。 而是职业生涯最后章节怎么书写。 DeepSeek-OCR不仅能识别文字，还具备“深度解析”能力，只需一个统一的提示词，就能对各种复杂图像进行结构化提取： 图表：金融研究报告中的图表可以直接提取为结构化数据； 化学结构式：识别并转换为SMILES格式； 几何图形：对平面几何图形进行复制和结构化解析； 自然图像：生成密集描述（dense captions）。 这在STEM领域的应用潜力巨大，尤其是化学、物理、数学等需要处理大量符号和图形的场景。 留在熟悉环境，继续冲击冠军。 第一作者Haoran Wei此前曾供职于阶跃星辰，期间发布并开源了GOT-OCR2.0系统 值得注意的是，DeepSeek团队在论文里还提出了一个脑洞大开的想法——用光学压缩模拟人类的遗忘机制。 还是来到纽约，在最大的舞台接受最大的压力。 人类的记忆会随时间衰退，越久远的事情记得越模糊。 没有绝对正确答案。 但对于一名曾经改变NBA进攻方式的超级得分手来说，最后的选择，本身就是传奇的一部分。 杜兰特已经创造了辉煌。DeepSeek团队想，那能不能让AI也这样？于是，他们的方案是： 1. 把超过第k轮的历史对话内容渲染成图像； 2. 初步压缩，实现约10倍的Token减少； 3. 对于更久远的上下文，继续缩小图像尺寸； 4. 随着图像越来越小，内容也越来越模糊，最终达到“文本遗忘”的效果。 接下来，他追求的或许不只是下一座奖杯。 而是一个让所有人记住的结局。 “如果你是杜兰特，37岁加入卫冕冠军追求冠军，还是选择证明自己带队能力？”。 这就很像人类记忆的衰退曲线，近期信息保持高保真度，久远记忆自然淡化。
十二 | 虽然这还是个早期研究方向，但如果真能实现，对于处理超长上下文将是个巨大突破——近期上下文保持高分辨率，历史上下文占用更少计算资源，理论上可以支撑“无限上下文”。 简言之，DeepSeek-OCR表面上是个OCR模型，但实际上是在探索一个更宏大的命题：能否用视觉模态作为LLM文本信息处理的高效压缩媒介？ 初步答案是肯定的，7—20倍的Token压缩能力已经展现出来了。 当然，团队也承认这只是个开始。单纯的OCR还不足以完全验证“上下文光学压缩”，后续还计划开展数字–光学文本交替预训练、“大海捞针”式测试，以及其他系统性评估。 不过不管怎么说，这在VLM和LLM的进化路上，又多了一条新赛道。 去年这个时候，大家还在卷怎么让模型“记得更多”。今年DeepSeek直接反其道行之，不如让模型学会“忘掉一些”。 确然，AI的进化，有时候不是做加法，而是做减法。小而美，也能玩出大花样，DeepSeek-OCR这个3B小模型就是最好的证明。
十三 | GitHub主页：http://github.com/deepseek-ai/DeepSeek-OCR 论文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek\_OCR\_paper.pdf 模型下载：https://huggingface.co/deepseek-ai/DeepSeek-OCR 本文来自微信公众号：APPSO （ID：appsolution）。
Current article:http://gorr.shuacanrandenmizhuohaoeiliang.buzz/news/20260826_6708.html
Published on:16:41:12
