AI领域最近又有了新突破——DeepSeek团队悄然开源了一个参数规模达300亿的小型模型，命名为DeepSeek-OCR。

别看它体量不大，设计理念却相当炸裂：他们竟打算让人工智能通过"看图"的方式去理解文本内容。

没错，这是真正的"以图识字"。

不仅如此，这不仅仅是简单的文字识别，而是将"视觉模态"作为一种文本压缩媒介，用图像来代表文字，以"视觉token"替代"文本token"，实现所谓的光学压缩（Optical Compression）。

说实话，当我初次看到这篇论文时，第一反应是：难道他们想让语言模型也去上美术课？

不过静心思考后，这个思路确实有其合理之处。

大语言模型（LLM）最突出的痛点是什么？处理长文本时算力消耗巨大。

众所周知，大型模型的注意力机制复杂度呈平方级增长。输入长度翻倍，其计算量就要增加四倍；若要让它记住整篇长文档，模型立刻就会"高负荷运转"。

那么，能否换个思路解决问题？DeepSeek团队提出：既然一张图片能承载大量文字信息，不如直接将文本转化为图像，再让模型去"读图"！

论文中展示了一个特别直观的案例：原本需要1000个token才能表达的内容，现在仅用100个视觉token就能搞定，压缩率达到10倍，同时还能保持97%的OCR准确率。

即便进行20倍极限压缩，仍能维持约60%的准确度。这意味着，模型"读图"的效率竟然比"读文字"还高。

换句话说，模型在几乎不丢失关键信息的前提下，计算负担减轻了十倍。

不少网友看到这里都感到惊讶：AI处理图像的资源消耗竟然比处理长文本还少？这完全颠覆了人类的直觉认知！

也有网友感叹道：DeepSeek这是要让模型"读文档"像刷朋友圈一样轻松。

在我看来，这套操作堪称"降维打击"。

过去我们一直在想办法让模型更懂文字、看得更远；而DeepSeek却反其道而行：让模型把文字变成画，再通过"看画识文"来理解内容。这有点像回到了人类最原始的沟通方式：象形文字。

说到这里，让我们深入了解这个模型的具体构成。DeepSeek-OCR由两部分组成：DeepEncoder（图像压缩模块）+DeepSeek3B-MoE（解码还原模块）。

前者是整个系统的"压缩引擎"，它巧妙地将两大视觉强者SAM-base和CLIP-large串联起来：

SAM负责捕捉细节的"局部注意力"，CLIP则把握整体的"全局注意力"。中间还嵌入了一个16倍卷积压缩模块，专门用于削减token数量。

举例来说，一张1024×1024的图像，理论上需要切割成4096个区块进行处理，现在经过这个压缩模块的优化，直接缩减为几百个token。

经过这样的处理，既保留了足够的清晰度，又大幅降低了计算开销。

而且它还支持多分辨率模式：Tiny、Small、Base、Large，还有一个命名为"Gundam（高达）"的动态模式。

你没看错，这个模型连命名都带着点"二次元"风格。

解码器部分则是DeepSeek的拿手好戏：MoE（混合专家）架构。

64个专家中每次只激活6个，外加两个共享专家，实际算力仅动用了约5.7亿参数，但性能却媲美300亿模型。又快又省电，堪称"节能灯中的战斗机"。

它的任务也并不复杂：从那些压缩后的视觉token中，将文字信息"解码"还原。

整个过程就像是OCR的升级版——不过这次是模型自己在"看图猜字"，而非人类教它识字，而且猜得相当准确。

当然，要让这套玩法真正奏效，必须准备充足的训练素材。DeepSeek这次可谓下足了本钱：整整3000万页PDF文档，涵盖100多种语言，其中中英文就占了2500万页。

他们还构建了一个"模型飞轮"：先用版面分析模型进行粗标注，再用GOT-OCR之类的模型做精标，训练一遍后再反馈更多数据。如此循环往复，模型通过自我喂养不断成长。

除此之外，还有300万条Word文档，专门用于训练公式识别、HTML表格提取，甚至包括金融图表、化学结构式、几何图形等特殊图像结构，也都被纳入了训练集中。

DeepSeek还从LAION、Wukong这些开源数据集抓取了中英文各1000万张场景图，用PaddleOCR进行标注。

可以说，这一轮训练真正实现了"从理工科到艺术科全覆盖"，是用海量数据喂养出来的聪明模型。

那么实际效果如何？论文中展示了几组测试结果，表现相当亮眼。

在OmniDocBench测试集上，DeepSeek-OCR仅用100个视觉token就超越了GOT-OCR2.0（每页256token）。用不到800个视觉token，又超越了MinerU2.0（每页6000+token）。

性能更强、输入更短、推理更快。

这样的处理速度，简直如同"AI印刷机"。

不过，最让我拍案叫绝的，是论文最后那个脑洞：光学压缩还能模拟人类遗忘？

人脑的记忆会随时间衰退，旧事逐渐模糊，新事清晰如昨。DeepSeek团队于是琢磨：AI能不能也学会"选择性记忆"？

如果AI也能像人一样"选择性记忆"，是不是就能在超长对话中运转得更轻松？

他们设计了一个实验构想：超过k轮的历史对话内容就直接渲染成图像；先压缩一遍，减少10倍token；再把图像尺寸缩小一些；图像越小，信息越模糊，最终就"遗忘"了。

有网友看完直接感叹：这不就是在模拟人脑的记忆机制嘛！

当然，也有人泼冷水：DeepSeek的想象力已经够惊人了，要是再让它学会"遗忘"，恐怕忘得比人还快。

我看完这部分内容，确实觉得颇具哲学意味。AI的记忆，究竟该无限扩展，还是该学会适时遗忘？

DeepSeek给出的答案是后者——它通过视觉方式，让模型在"压缩"的同时，也"过滤"掉冗余信息。就像人脑那样：只保留有用的内容。

这背后的意义，其实比OCR技术本身更为深远。

它重新定义了"上下文"的概念：不是记得越多越好，而是记得越精越妙。

说到底，DeepSeek-OCR看似是个OCR模型，实则是在探索一种新范式：能否用视觉模态来高效承载语言信息？

在所有人都追求"更大、更长、更贵"的方向时，DeepSeek却反手做了个"更小、更快、更巧"的模型。

这件事本身就很有DeepSeek的风格。

最后我想说的是：AI的进化路径，未必总是做加法，有时候做减法反而更显智慧。

DeepSeek-OCR就是一个鲜活的例子：一个30亿参数的小模型，却玩出了长文本压缩的新思路，甚至触碰到了"记忆与遗忘"的边界。

如果说去年的关键词是"谁能记住更多"，那么今年，或许是"谁能忘得更聪明"。

而DeepSeek，这一次又走在了前列。