就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。虽然体量不大，但模型思路创新的力度着实不小。

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。

于是，DeepSeek团队想到了一个好办法。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。

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。

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。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。

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）。

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。20个节点（160块A100）直接飙到每天3300万页。

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。

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。

举例而言，一张1024×1024的图像，会被切成4096个patch token。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。

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。

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。

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。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。

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。

数据方面，DeepSeek团队也是下了血本。

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。

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。

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。

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。

人类的记忆会随时间衰退，越久远的事情记得越模糊。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。

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。

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。

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）