太強(qiáng)了！DeepSeek剛剛開源新模型，用視覺方式壓縮一切

2025-10-21 08:59:00

我們或許能通過文本到圖像的方法實(shí)現(xiàn)近 10 倍無損上下文壓縮。

沒想到吧，DeepSeek 剛剛開源了新模型，還是一款 OCR 模型?？梢钥吹剑撃Ｐ偷膮?shù)量為 3B，剛上線不久就已經(jīng)有 100 多次下載量了。

該項(xiàng)目由 DeepSeek 三位研究員 Haoran Wei、Yaofeng Sun、Yukun Li 共同完成。其中一作 Haoran Wei 曾在階躍星辰工作過，曾主導(dǎo)開發(fā)了旨在實(shí)現(xiàn)「第二代 OCR」的 GOT-OCR2.0 系統(tǒng)（arXiv:2409.01704），該項(xiàng)目已在 GitHub 收獲了超 7800 star。也因此，由其主導(dǎo) DeepSeek 的 OCR 項(xiàng)目也在情理之中。

論文標(biāo)題：DeepSeek-OCR: Contexts Optical Compression
項(xiàng)目地址：https://github.com/deepseek-ai/DeepSeek-OCR
論文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
Hugging Face：https://huggingface.co/deepseek-ai/DeepSeek-OCR

DeepSeek 表示，DeepSeek-OCR 模型是通過光學(xué)二維映射技術(shù)壓縮長文本上下文可行性的初步探索。

該模型主要由 DeepEncoder 和 DeepSeek3B-MoE-A570M 解碼器兩大核心組件構(gòu)成。其中 DeepEncoder 作為核心引擎，既能保持高分辨率輸入下的低激活狀態(tài)，又能實(shí)現(xiàn)高壓縮比，從而生成數(shù)量適中的視覺 token。

實(shí)驗(yàn)數(shù)據(jù)顯示，當(dāng)文本 token 數(shù)量在視覺 token 的 10 倍以內(nèi)（即壓縮率 <10×）時，模型的解碼（OCR）精度可達(dá) 97%；即使在壓縮率達(dá)到 20× 的情況下，OCR 準(zhǔn)確率仍保持在約 60%。

這一結(jié)果顯示出該方法在長上下文壓縮和 LLM 的記憶遺忘機(jī)制等研究方向上具有相當(dāng)潛力。

此外，DeepSeek-OCR 還展現(xiàn)出很高的實(shí)用價值。在 OmniDocBench 基準(zhǔn)測試中，它僅使用 100 個視覺 token 就超過了 GOT-OCR2.0（每頁 256 個 token）的表現(xiàn)；同時，使用不到 800 個視覺 token 就優(yōu)于 MinerU2.0（平均每頁超過 6000 個 token）。在實(shí)際生產(chǎn)環(huán)境中，單張 A100-40G GPU 每天可生成超過 20 萬頁（200k+）的 LLM/VLM 訓(xùn)練數(shù)據(jù)。

DeepSeek-OCR 在端到端模型測試中以最少的視覺 token 數(shù)達(dá)到了最先進(jìn)的性能。

DeepSeek-OCR：上下文光學(xué)壓縮

DeepSeek 探索的方法概括起來就是：利用視覺模態(tài)作為文本信息的高效壓縮媒介。

什么意思呢？我們知道，一張包含文檔文本的圖像可以用比等效文本少得多的 Token 來表示豐富的信息，這表明：通過視覺 Token 進(jìn)行光學(xué)壓縮可以實(shí)現(xiàn)高得多的壓縮率。

基于這一洞見，DeepSeek 從以 LLM 為中心的視角重新審視了視覺語言模型 (VLM)，其中，他們的研究重點(diǎn)是：視覺編碼器如何提升 LLM 處理文本信息的效率，而非人類已擅長的基本視覺問答 (VQA) 任務(wù)。

DeepSeek 表示，OCR 任務(wù)作為連接視覺和語言的中間模態(tài)，為這種視覺 - 文本壓縮范式提供了理想的試驗(yàn)平臺，因?yàn)樗谝曈X和文本表示之間建立了自然的壓縮 - 解壓縮映射，同時提供了可量化的評估指標(biāo)。

DeepSeek-OCR 便由此而生。這是一個為實(shí)現(xiàn)高效視覺 - 文本壓縮而設(shè)計的 VLM。

如下圖所示，DeepSeek-OCR 采用了一個統(tǒng)一的端到端 VLM 架構(gòu)，由一個編碼器和一個解碼器組成。

其中，編碼器 (即 DeepEncoder) 負(fù)責(zé)提取圖像特征，并將視覺表示進(jìn)行 Token 化和壓縮。解碼器則用于根據(jù)圖像 Token 和提示詞 (prompt) 生成所需的結(jié)果。

DeepEncoder 的參數(shù)量約為 3.8 億 (380M)，主要由一個 80M 的 SAM-base 和一個 300M 的 CLIP-large 串聯(lián)而成。解碼器采用 3B MoE 架構(gòu)，激活參數(shù)量為 5.7 億 (570M)。

DeepEncoder

DeepSeek 研究發(fā)現(xiàn)，為了探索上下文光學(xué)壓縮的可行性，我們需要一個具備以下特點(diǎn)的視覺編碼器：

1. 能夠處理高分辨率；

2. 在高分辨率下激活值低；

3. 視覺 Token 數(shù)量少；

4. 支持多分辨率輸入；

5. 參數(shù)量適中。

然而，現(xiàn)有的開源編碼器無法完全滿足所有這些條件。因此，DeepSeek 自行設(shè)計了一款新穎的視覺編碼器，命名為 DeepEncoder。

DeepEncoder 主要由兩個組件構(gòu)成：一個以窗口注意力為主的視覺感知特征提取組件，以及一個采用密集全局注意力的視覺知識特征提取組件。

基于之前相關(guān)研究的預(yù)訓(xùn)練成果，該團(tuán)隊(duì)分別使用 SAM-base (patch 大小為 16) 和 CLIP-large 作為這兩個組件的主要架構(gòu)。

對于 CLIP，他們移除了其第一個 patch 嵌入層，因?yàn)樗妮斎氩辉偈菆D像，而是來自前一個流程的輸出 Token。在兩個組件之間，該團(tuán)隊(duì)借鑒了 Vary 的設(shè)計（參閱論文《Vary: Scaling up the vision vocabulary for large vision-language model》），使用了一個 2 層的卷積模塊對視覺 Token 進(jìn)行 16 倍的下采樣。每個卷積層的核大小為 3，步長為 2，填充為 1，通道數(shù)從 256 增加到 1024。假設(shè)我們輸入一張 1024×1024 的圖像，DeepEncoder 會將其分割成 1024/16 x 1024/16 = 4096 個 patch Token。

由于編碼器的前半部分主要由窗口注意力構(gòu)成，且參數(shù)量僅為 80M，因此其激活值是可接受的。在進(jìn)入全局注意力之前，這 4096 個 Token 會經(jīng)過壓縮模塊，數(shù)量變?yōu)?4096/16 = 256，從而使得整體的激活內(nèi)存變得可控。

MoE 解碼器

該模型的解碼器使用了 DeepSeekMoE ，具體為 DeepSeek-3B-MoE。

在推理過程中，模型會激活 64 個路由專家中的 6 個以及 2 個共享專家，激活參數(shù)量約為 5.7 億 (570M)。3B 的 DeepSeekMoE 非常適合以領(lǐng)域?yàn)橹行?(這里即為 OCR) 的 VLM 研究，因?yàn)樗讷@得 3B 模型表達(dá)能力的同時，也享有了 5 億 (500M) 參數(shù)量小模型的推理效率。

解碼器從 DeepEncoder 壓縮后的潛在視覺 Token 中重建原始文本表示，過程如下：

其中 Z 是來自 DeepEncoder 的壓縮后潛在 (視覺) Token，而是重建的文本表示。函數(shù) f_dec 代表一個非線性映射，緊湊的語言模型可以通過 OCR 風(fēng)格的訓(xùn)練來有效地學(xué)習(xí)它。DeepSeek 推測認(rèn)為：大語言模型通過專門的預(yù)訓(xùn)練優(yōu)化，將能更自然地集成這類能力。

數(shù)據(jù)引擎

DeepSeek 也為 DeepSeek-OCR 構(gòu)建了復(fù)雜多樣的訓(xùn)練數(shù)據(jù)，包括：

OCR 1.0 數(shù)據(jù)，主要包含傳統(tǒng) OCR 任務(wù)，如場景圖像 OCR 和文檔 OCR；
OCR 2.0 數(shù)據(jù)，主要包括復(fù)雜人造圖像的解析任務(wù)，如常見圖表、化學(xué)分子式和平面幾何解析數(shù)據(jù)；
通用視覺數(shù)據(jù)，主要用于為 DeepSeek-OCR 注入一定的通用圖像理解能力，并保留通用的視覺接口。

數(shù)據(jù)方面，DeepSeek 還進(jìn)行了更多有利于 OCR 任務(wù)的設(shè)計，詳情請參閱原論文。

訓(xùn)練流程

該模型的訓(xùn)練流程非常簡單，主要包括兩個階段：

獨(dú)立訓(xùn)練 DeepEncoder
訓(xùn)練 DeepSeek-OCR

DeepEncoder 的訓(xùn)練遵循 Vary 的方法，利用一個緊湊的語言模型并采用下一個 Token 預(yù)測的框架來訓(xùn)練 DeepEncoder。

在此階段，DeepSeek 使用了前文提到的所有 OCR 1.0 和 2.0 數(shù)據(jù)，以及從 LAION 數(shù)據(jù)集中采樣的 1 億條通用數(shù)據(jù)。所有數(shù)據(jù)均使用 AdamW 優(yōu)化器和余弦退火調(diào)度器進(jìn)行訓(xùn)練，共訓(xùn)練 2 個 epoch，批處理大小為 1280，學(xué)習(xí)率為 5e-5。訓(xùn)練序列長度為 4096。

在 DeepEncoder 準(zhǔn)備就緒后，再訓(xùn)練 DeepSeek-OCR。整個訓(xùn)練過程在 HAI-LLM 平臺上進(jìn)行。整個模型采用了流水線并行 (PP)，并被分為 4 個部分，其中 DeepEncoder 占用兩部分，解碼器占用兩部分。

對于 DeepEncoder，DeepSeek 將 SAM 和壓縮器視為視覺 Tokenizer，放置在 PP0 上并凍結(jié)其參數(shù)；同時將 CLIP 部分視為輸入嵌入層，放置在 PP1 上，其權(quán)重不凍結(jié)并參與訓(xùn)練。對于語言模型部分，由于 DeepSeek3B-MoE 有 12 層，他們在 PP2 和 PP3 上各放置 6 層。

他們使用 20 個節(jié)點(diǎn) (每個節(jié)點(diǎn)配備 8 個 A100-40G GPU) 進(jìn)行訓(xùn)練，數(shù)據(jù)并行 (DP) 度為 40，全局批處理大小為 640。優(yōu)化器為 AdamW，配合基于步數(shù) (step-based) 的調(diào)度器，初始學(xué)習(xí)率為 3e-5。對于純文本數(shù)據(jù)，訓(xùn)練速度為每天 900 億 Token；對于多模態(tài)數(shù)據(jù)，訓(xùn)練速度為每天 700 億 Token。

實(shí)驗(yàn)結(jié)果

視覺 - 文本壓縮

研究選用了 Fox 基準(zhǔn)數(shù)據(jù)集來驗(yàn)證 DeepSeek-OCR 在文本密集型文檔上的壓縮與解壓能力。

如表 2 所示，在 10× 壓縮比的情況下，模型的解碼精度可達(dá)約 97%。

當(dāng)壓縮比超過 10× 時，性能開始下降，他們猜測可能有兩個原因：

長文檔的版面布局更復(fù)雜，導(dǎo)致信息分布不均；
在 512×512 或 640×640 分辨率下，長文本會變得模糊。

當(dāng)壓縮比接近 20× 時，作者發(fā)現(xiàn)模型的精度仍可達(dá)到約 60%。

OCR 實(shí)際性能

DeepSeek-OCR 不僅是一個實(shí)驗(yàn)性模型，還具備很強(qiáng)的實(shí)用能力。結(jié)果如表 3 所示。

具體而言：

在僅使用 100 個視覺 token（分辨率 640×640）的情況下，DeepSeek-OCR 的表現(xiàn)超越了使用 256 個 token 的 GOT-OCR2.0 ；
當(dāng)使用 400 個視覺 token（其中有效 token 為 285，分辨率 1280×1280）時，其性能已可與當(dāng)前 SOTA 模型相當(dāng)；
進(jìn)一步地，在使用不到 800 個視覺 token（即 Gundam 模式）時，DeepSeek-OCR 的性能超過了 MinerU2.0 ，后者需要近 7,000 個視覺 token。

這些結(jié)果表明，DeepSeek-OCR 在實(shí)際應(yīng)用中表現(xiàn)出極強(qiáng)的性能與效率，并且由于其更高的 token 壓縮率，具有更高的研究潛力與擴(kuò)展空間。

表 4 結(jié)果表明，不同類型文檔對視覺 token 的需求差異較大：