DeepSeek团队近日开源了一款名为DeepSeek-OCR的300亿参数模型，通过创新的“光学压缩”技术，在保持高准确率的同时大幅降低了文本处理所需的计算资源。该模型将视觉模态引入文本信息处理领域，为解决大语言模型（LLM）处理长文本时的计算瓶颈提供了全新思路。
传统LLM在处理长文本时面临计算复杂度呈平方级增长的难题——序列长度每增加一倍，算力消耗将呈现四倍增长。DeepSeek-OCR的突破性在于将文本转换为图像进行压缩处理：通过视觉模态的“光学压缩”，模型用更少的视觉Token承载相同信息量。实验数据显示，该技术可实现7-20倍的Token压缩率，在10倍压缩下OCR准确率超过97%，即使压缩20倍仍能保持60%以上的准确率。
模型架构由编码器DeepEncoder和解码器DeepSeek3B-MoE组成。DeepEncoder采用SAM-base（8000万参数）与CLIP-large（30亿参数）的串联结构，前者负责局部特征提取，后者进行全局信息整合。中间嵌入的16×卷积压缩器可将输入图像的Token数量大幅削减，例如1024×1024图像经处理后，进入全局注意力层的Token从4096个降至数百个。这种设计使模型既能处理高分辨率输入（支持512×512至1280×1280多分辨率），又有效控制了内存开销。
解码器部分采用混合专家（MoE）架构，64个专家中激活6个，配合2个共享专家，实际激活参数约5.7亿。这种设计使300亿参数规模的模型兼具3000亿参数模型的表达能力与500亿参数模型的推理效率。在OmniDocBench基准测试中，使用100个视觉Token的DeepSeek-OCR表现优于GOT-OCR2.0（每页256个Token），使用800个Token时则超越MinerU2.0（平均每页超6000个Token）。
数据构建方面，团队从互联网收集了3000万页多语言PDF文档（中英文占2500万页），通过粗标注（fitz提取）和精标注（PP-DocLayout等模型生成）结合的方式构建训练集。针对小语种数据，创新采用“模型飞轮”机制：先用版面分析模型检测文本区域，再用生成的数据训练GOT-OCR2.0，最后用训练好的模型标注更多数据，形成数据生成闭环。模型还整合了300万条Word文档数据以提升公式识别能力，以及2000万条场景OCR数据（中英文各半）增强自然图像解析能力。
该模型不仅具备基础OCR功能，更实现了对复杂图像的结构化解析。通过统一提示词，可自动提取金融图表数据、转换化学结构式为SMILES格式、解析几何图形并生成密集描述。在STEM领域（如化学、物理、数学），这种能力可显著提升符号和图形密集型场景的处理效率。
研究团队还提出了一个颇具前瞻性的设想：通过光学压缩模拟人类遗忘机制。具体方案是将历史对话内容渲染为图像，通过逐步压缩图像尺寸实现信息模糊化——近期内容保持高分辨率，久远内容自然淡化。这种设计理论上可支撑“无限上下文”处理，使模型在保持近期上下文高保真的同时，降低历史上下文的计算资源占用。
目前，DeepSeek-OCR已开源原生分辨率的Tiny（64 Token）、Small、Base、Large四档模式，以及动态分辨率的Gundam模式。在实际生产环境中，单张A100-40G显卡每日可生成超20万页训练数据，20个节点（160块A100）的集群日处理量可达3300万页。团队强调，当前成果仅是起点，后续将开展数字-光学文本交替预训练、“大海捞针”测试等系统性研究，以全面验证光学压缩技术在上文处理中的潜力。
