DeepSeek推出革命性OCR模型，用“一图胜千言”的巧妙思路解决AI处理长文档的算力难题。这个仅30亿参数的小模型，通过把文字压缩成图片的方式大幅提升处理效率。其单块显卡日生成20万页训练数据的高效能力，获卡帕西等专家称赞并被比作“AI的JPEG时刻”，业内猜测其可能泄露了谷歌Gemini的核心技术机密。

 

　　DeepSeek最新开源(16.390, -0.09, -0.55%)的模型，已经被硅谷夸疯了！

 

　　因为实在太DeepSeek了。3B规模、指数级效能变革、大道至简，甚至被认为把谷歌Gemini严防死守的商业机密开源了。

 

　　唯一的问题可能就是被“OCR”命名耽误了。

 

　　是的，DeepSeek刚刚开源即火爆的模型就叫：DeepSeek-OCR。

 

 

　　这个模型瞄准的是大模型处理长文本时的算力爆炸难题……虽然模型参数很小，但四两拨千斤，其背后所代表的“用视觉方式压缩一切”的思想，大道至简，既是人类智能的现实，也不断出现在诸如《三体》的科幻作品中。

 

　　简单来说，由于一张图能包含大量文字（用的token还更少），所以他们想到并验证了“将视觉作为文本压缩媒介”这一方法——就好比优秀的人看书都是扫一眼就知道内容，不必一字一句读完才理解内容。

 

　　一图胜千言。

 

　　而且DeepSeek研究后发现，当压缩率小于10倍时（即文本token数是视觉token数的10倍以内），模型OCR解码准确率高达97%；即使压缩率高达20倍，准确率依旧能保持在60%左右，效果相当能打。

 

　　更主要的是，DeepSeek再次展现了高效能风格，他们的方法之下，生成训练数据——仅凭一块A100-40G GPU，每天就能生成超过20万页的优质LLM/VLM训练数据。

 

　　所以这个研究一经公布，已经快速在GitHub斩获了3.3K star。HuggingFace则已经热榜第二……X上热议，好评声一片。

 

　　刚“尖锐”评价过AI现状的卡帕西说：我很喜欢……特别是图像比文字更适合LLM输入，妙啊。

 

　　还有人认为这是“AI的JPEG时刻”，AI记忆架构打开了新路径。