A | 就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。据媒体报道，夏威夷最后一棵金冠树耳蜗（Achatinella apexfulva）最近死亡，这意味着该物种也已经灭绝。据报道，这只名叫“乔治”的夏威夷树蜗牛于今年1月1日死亡，享年14岁。14年来，“乔治”没有找到配偶，“乔治”的死意味着我们目睹了另一个物种的灭绝。夏威夷树蜗牛最明显的特征之一是蜗牛壳顶部的金黄色区域。该物种最初分布在夏威夷群岛的瓦胡岛上。它在夏威夷的繁荣时期非常丰富。1995年以后，夏威夷蜗牛在外来蜗牛的入侵下几乎灭绝。维基百科的图片显示，人口减少的主要原因之一是“玫瑰卷”（玫瑰橡实蜗牛），一种中等大小的蜗牛，属于橡实蜗牛属，原产于美国。
B | 本种是捕食其他蜗牛的食肉动物。玫瑰卷之所以被引进，是因为它想控制入侵非洲蜗牛的数量，但没有考虑。虽然体量不大，但模型思路创新的力度着实不小。夏威夷蜗牛濒临灭绝。 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。这就是为什么夏威夷至少有8种当地蜗牛灭绝的原因。1997年，最后10只蜗牛被送到夏威夷大学的实验室进行人工繁殖，但最终，除了乔治以外，所有的蜗牛都死了。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”。在此之前，国际自然保护联盟（IUCN）已将该物种列为极度濒危物种。据了解，科学家们已经提取出“乔治”身体组织用于制冷，期待有一天“复活”乔治。 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。
C | 一些灭绝物种（百科全书）：1681年的渡渡鸟灭绝；1768年的海牛灭绝；1800年的恐怖鸟类和蓝马羚羊灭绝；1844年的海鸟灭绝；1875年的南极狼灭绝（生活在地球最南端的犬科动物）；1880年的美国缅因州黄鼠狼灭绝；1880年的牙买加仓鼠灭绝（关于区域性灭绝；3年内灭绝；1890年澳大利亚兔子灭绝；1900年昆士兰毛鼻袋熊区域性灭绝；1900年圣诞岛虎头鼠灭绝；1901年艾米旱獭灭绝；1902年澳大利亚白足旱獭灭绝；1903年加利福尼亚南部猫和狐狸灭绝。利福尼亚；1910年西部袋鼠灭绝；东部袋鼠灭绝；1911年白狼绝对灭绝（唯一的纯白狼）；1918年卡罗莱纳鹦鹉灭绝（北美鸽子）；1914年（十亿不到一个世纪）；1915年基奈山狼灭绝（最大的狼亚种）；佛罗里达黑狼1917年灭绝的狼；1920年灭绝的新墨西哥狼；1922年灭绝的野蛮狮；1922年灭绝的中国犀牛（区域灭绝）；1926年澳大利亚海豚脚袋鼠灭绝；1927年澳大利亚袋鼠灭绝；1930年澳大利亚大兔袋鼠灭绝；灭绝1930年的新南威尔士白袋鼠；1937年的巴厘虎灭绝（最小的虎亚种）；1948年的印度亚洲猎豹灭绝（区域灭绝）；1950年的喀斯喀特棕狼灭绝；墨西哥灰熊绝对灭绝；1970年的德克萨斯红狼灭绝；台湾云豹灭绝1983年；1987年危地马拉鹦鹉灭绝；1997年左右欧亚貂灭绝。
D | 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。
E | 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。
F | 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。
G | 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。
H | 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。
I | 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。
J | 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。
K | 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。
L | 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）。
Current article:http://7txw.senchuoshaozaodidia.shop/1qm06j/20260826/659.html
Published on:14:03:46
