DeepSeek新模型实测：小巧精悍，性能突破业界想象
就在不久前，DeepSeek开源了一款3B规模的文档识别模型DeepSeek-OCR。虽然模型体积不大，但其设计思路的创新性却令人眼前一亮。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
众所周知，目前所有大型语言模型处理长文本时都面临着一个棘手问题：计算复杂度呈平方级增长。文本序列越长，所需消耗的算力资源就越多。
面对这一挑战，DeepSeek团队提出了一个巧妙的解决方案。既然一张图像可以容纳大量文字信息，而且占用的Token数量更少，何不将文本直接转换为图像？这就是我们所说的“光学压缩”技术——通过视觉模态为文本信息“减负”。
而OCR技术恰好天然适合验证这个思路，因为它本身就是在完成“视觉→文本”的转换过程，而且其效果可以通过量化指标进行科学评估。
研究数据显示，DeepSeek-OCR的压缩率能够达到惊人的10倍，同时文字识别准确率仍保持在97%以上。
这意味着什么呢？简单来说，原本需要1000个文本Token才能表达的内容，现在仅需100个视觉Token就能完整呈现。即使将压缩率提升到20倍，模型的识别准确率依然维持在60%左右，整体效果相当出色。
在OmniDocBench基准测试中的表现尤为亮眼：
仅使用100个视觉Token，就超越了GOT-OCR2.0的表现；
用不到800个视觉Token，就大幅超越了MinerU2.0的性能。
更令人惊喜的是，在实际应用中，单张A100-40G显卡每天就能生成超过20万页的LLM/VLM训练数据。若扩展到20个计算节点，处理能力更是可以飙升至每天3300万页。
DeepSeek-OCR由两大核心组件构成：
DeepEncoder：负责图像特征提取和压缩处理；
DeepSeek3B-MoE：负责从压缩后的视觉Token中重建原始文本。
让我们重点解析DeepEncoder这部特征编码引擎的工作原理。
它的架构设计十分巧妙，通过将SAM-base和CLIP-large两个模型串联起来，前者专注于“局部注意力”提取视觉特征，后者负责“全局注意力”理解整体信息。
系统中间还加入了一个16倍压缩器，在进入全局注意力层之前大幅削减Token数量。
举例来说，一张1024×1024分辨率的图像，通常会被分割成4096个图像块Token。但经过压缩器处理后，进入全局注意力层的Token数量显著减少。
这样的设计优势在于，既保证了处理高分辨率输入的能力，又有效控制了激活内存的开销。
不仅如此，DeepEncoder还支持多分辨率输入，从512×512的Tiny模式到1280×1280的Large模式，一个模型就能胜任各种应用场景。
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，灵活性极高。
解码器采用的是DeepSeek-3B-MoE架构。
虽然模型总参数量只有3B，但采用了Mixture of Experts设计——64个专家中每次激活6个，再加上2个共享专家，实际激活参数量约为5.7亿。这让模型既具备了300亿参数模型的表达能力，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风格的训练任务被紧凑型语言模型有效学习。
在数据准备方面，DeepSeek团队也是下足了功夫。
他们从互联网收集了3000万页的多语言PDF资料，涵盖约100种语言，其中中英文资料达2500万页。
数据分为两个类别：粗标注直接用fitz从PDF提取，主要训练少数语言的识别能力；精标注则使用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，团队还设计了“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，如此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，主要用于提升公式识别和HTML表格解析能力。
在场景文字识别方面，团队从LAION和Wukong数据集收集图像，使用PaddleOCR进行标注，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：生成密集描述文本。
这种能力在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。
论文第一作者Haoran Wei此前曾供职于跳跃星辰，期间发布并开源了GOT-OCR2.0系统。
令人注意的是，DeepSeek团队在论文中还提出了一个有趣的构想——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团队设想，能不能让AI也具备类似的特性？于是，他们提出了这样的方案：
1. 把超过第k轮的历史对话内容渲染成图像；
2. 进行初步压缩，实现约10倍的Token数量削减；
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。
这确实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。
虽然这仍是一个早期研究方向，但如果能够实现，对于处理超长上下文将是一个重大突破。
简而言之，DeepSeek-OCR表面上是个OCR模型，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压缩能力已经充分展现出来。
当然，团队也承认这只是一个开始。单纯的OCR还不足以完全验证“上下文光学压缩”，后续计划开展数字-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。
不过无论如何，这在VLM和LLM的进化道路上，又开辟了一条全新的赛道。
回想去年这个时候，大家都在研究怎么让模型“记住更多”。今年DeepSeek却反其道而行之，不如让模型学会“忘记一些”。
确实，AI的进化有时候并不是做加法，而是做减法。小而精，也能玩出大花样，DeepSeek-OCR这个3B小模型就是最好的证明。
AI原生产品日报频道: 前沿科技相关攻略
在当前的人工智能（AI）盛宴中，似乎每个科技巨头都在不计后果地“砸重金”，确保不会在这场竞赛中落后。Meta首席执行官马克·扎克伯格也不例外，他正斥巨资确保Meta不会错过人工智能的“大好时机”。在
AI算力需求的爆发式增长，正推动液冷技术向更高端方向演进。近日，微软首席执行官萨提亚·纳德拉（Satya Nadella）在社交平台上宣布，其团队已成功开发出微流体冷却技术——通过细如发丝的微小通道
英伟达和OpenAI达成世纪合作！最新消息，英伟达计划向OpenAI投资最高1000亿美元，OpenAI则要用这笔钱构建至少10GW的AI数据中心，全用英伟达的系统。10GW，相当于400万～500
过去二十多年间，掌握编程技能如同手握开启未来的钥匙。无数小镇青年靠着写代码，改写了命运轨迹，最终在城市扎根。然而随着AI技术崛起，这条上升通道正逐渐收窄。许多基础编码工作，AI编程工具都可低成本完成
北京时间周二凌晨，OpenAI和英伟达联合宣布了一份战略合作意向书，计划为OpenAI的AI基础设施部署至少10吉瓦的英伟达系统，英伟达计划在系统部署过程中投资高达1000亿美元。两家公司表示，第一
热门专题
热门推荐
近年来，中式恐怖解谜游戏的热度持续攀升，成为众多玩家关注的焦点。在这一细分领域中，《纸嫁衣》系列凭借其深厚的民俗文化底蕴和极具沉浸感的氛围塑造，已然确立了标杆地位。随着前作口碑的不断积累，玩家对系列新作的期待也日益高涨。目前，官方已正式确认《纸嫁衣9》预计于2026年第三季度，即7月至9月期间发布。
各位战术指挥官请注意，《暗区突围》将于4月30日正式启动限时特别行动——“创伤救援”。本次行动将持续至5月21日，并非简单的模式复刻，而是对团队协作与战术执行能力的一次全新挑战。接下来，我们将深入解析该玩法的核心机制与实战要点，助你提前掌握通关策略。 参与本次行动，你需要提前准备“创伤小组入场券”。
在《归环》的开放世界探索中，灵匿系统堪称游戏体验的“灵魂暗线”。它远非一个简单的隐身开关，而是深度融入了探索、叙事与资源循环的核心玩法。透彻理解这一机制，你才能真正掌握《归环》的玩法精髓与设计深度。 启动灵匿的操作十分便捷，按下指定按键，角色即刻进入半透明状态。此时，NPC的常规警戒AI将暂时“休眠
《子夜之章》的专业技能体系，正面临关键的转型挑战。自《飞龙军团》版本完成系统性重塑后，这套机制已历经三个资料片的考验。从表面看，它确实变得更加精细与“硬核”，但一个日益凸显的问题是：在“专注”制造模式与“多开角色”策略的双重影响下，普通玩家的经济参与空间正被压缩，整个制造产业链的活力与可持续性也呈现
真正的怀旧，从来不是对某个地点或时代的精确复刻，而是对一种感觉的精准捕捉。那些瞬间的情感闪回，足以唤醒我们沉睡已久的记忆。即便你并非成长于90年代的北加州，即便你的青春与滑板文化毫无交集，这都无关紧要——《超级混音带》深谙此道。澳大利亚开发商Beethoven & Dinosaur用一首首精心挑选的