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
加密货币行业翘首以盼的监管里程碑，终于有了实质性进展。美国证券交易委员会（SEC）主席保罗·阿特金斯（Paul Atkins）近日证实，那份允许加密项目在早期获得注册豁免权的“安全港”框架提案，已经正式送抵白宫，进入了最终审查阶段。 在范德堡大学与区块链协会联合举办的数字资产峰会上，阿特金斯透露了这
微策略Strategy报告：第一季录得144 6亿美元浮亏 再斥资约3 3亿美元买进4871枚比特币 市场震荡的威力有多大？看看Strategy的最新季报就明白了。根据其最新向美国证管会(SEC)提交的8-K报告，受市场剧烈波动影响，这家公司所持的比特币在第一季度录得了一笔惊人的数字——144 6亿
稳定币巨头Tether的动向，向来是加密世界的风向标。这不，它向Web3基础设施的版图扩张，又迈出了关键一步。公司执行长Paolo Ardoino在社交平台X上透露，其工程团队正在全力“烹制”一个新项目——去中心化搜索引擎 “Hypersearch”。这个消息一出，立刻引发了行业的广泛猜想。 采用D
基地位于Coinbase旗下以太坊Layer2网络Base的Seamless Protocol，日前正式宣告了服务的终结。这个曾经吸引了超过20万用户的原生DeFi借贷协议，在运营不到三年后，终究没能跑赢时间。它主打的核心产品是Integrated Leverage Markets（ILMs）——一
PAAL代币揭秘：深度解析Web3社区治理的核心钥匙 在去中心化自治组织的浪潮中，谁真正掌握了项目的话语权？PAAL代币提供了一套系统化的答案。它不仅是生态内流转的价值媒介，更是开启链上治理大门的核心凭证。通过持有并质押PAAL代币，用户能够对协议升级、资金分配乃至战略方向等关键事务投出决定性的一票