DeepSeek 新模型震撼 AI 圈：用視覺模型讀文檔，壓縮率高達(dá) 90%，信息保真 97%！

2025-10-22 00:00:01

這套系統(tǒng)的關(guān)鍵，是把文字當(dāng)作圖像來(lái)壓縮。 DeepSeek 發(fā)現(xiàn)，處理圖片反而比處理純文本更節(jié)省算力。據(jù)其技術(shù)論文，系統(tǒng)在保留 97% 信息量的前提下，可將文檔壓縮至原來(lái)的十分之一。

最近，DeepSeek 推出了一種全新的 OCR 系統(tǒng)，能讓 AI 在不超出內(nèi)存限制的情況下，處理更長(zhǎng)的文檔。

這套系統(tǒng)的關(guān)鍵，是把文字當(dāng)作圖像來(lái)壓縮。 DeepSeek 發(fā)現(xiàn)，處理圖片反而比處理純文本更節(jié)省算力。

據(jù)其技術(shù)論文，系統(tǒng)在保留 97% 信息量的前提下，可將文檔壓縮至原來(lái)的十分之一。

換句話說(shuō)，一本上百頁(yè)的 PDF，經(jīng) DeepSeek 處理后，只需原來(lái)十分之一的 token 數(shù)量，就能被 AI 完整閱讀。

DeepSeek OCR 的核心由兩部分組成：一是圖像處理模塊，DeepEncoder，二是基于 Deepseek-3B-MoE 的文本生成器。

DeepEncoder 擁有 3.8 億參數(shù)，負(fù)責(zé)將文檔圖片分析為壓縮后的視覺 token；文本生成器在此基礎(chǔ)上恢復(fù)文字與結(jié)構(gòu)。

在技術(shù)上，它融合了 Meta 的 SAM（Segment Anything Model） 與 OpenAI 的 CLIP 模型。

SAM 擔(dān)任局部視覺分析，CLIP 則提供全局語(yǔ)義關(guān)聯(lián)。兩者之間，嵌入了一個(gè) 16 倍壓縮器，大幅減少圖像 token 數(shù)量。

一張 1024×1024 像素的圖片，起初被分為 4096 個(gè) token；經(jīng)壓縮后，只剩 256 個(gè)。這一過(guò)程的算力節(jié)省是數(shù)量級(jí)的：CLIP 的計(jì)算負(fù)擔(dān)因此顯著下降。

在低分辨率下，DeepSeek OCR 每張圖僅需 64 個(gè)視覺 token；高分辨率時(shí)也不超過(guò) 400。

相比之下，傳統(tǒng) OCR 系統(tǒng)往往需要數(shù)千 token 才能完成同樣的任務(wù)。

DeepSeek 并不僅僅識(shí)別文字。它能識(shí)別圖表、化學(xué)式、幾何圖形等多種復(fù)雜結(jié)構(gòu)。

研究團(tuán)隊(duì)稱，系統(tǒng)可直接從財(cái)報(bào)圖表中提取結(jié)構(gòu)化數(shù)據(jù)，并自動(dòng)生成 Markdown 表格。

在“深度解析模式”下，它能將金融圖表、幾何圖形重新繪制成矢量圖，并同時(shí)保留說(shuō)明文字。

測(cè)試結(jié)果顯示，DeepSeek OCR 在 OmniDocBench 基準(zhǔn)上超過(guò)了 GOT-OCR 2.0。

在僅使用 100 個(gè)視覺 token 的情況下，它的表現(xiàn)優(yōu)于 GOT-OCR 2.0 使用 256 token 的結(jié)果。

即使在 800 token 以下，DeepSeek 也擊敗了 MinerU 2.0，后者每頁(yè)需超過(guò) 6000 token。

根據(jù)對(duì)比數(shù)據(jù)，DeepSeek OCR 的 Gundam-M 模式 在中英文混合識(shí)別上取得了最佳編輯距離分?jǐn)?shù)。

系統(tǒng)根據(jù)文檔復(fù)雜度自動(dòng)選擇模式：簡(jiǎn)單演示文檔用 64 token；普通報(bào)告約 100；復(fù)雜報(bào)紙需啟用“Gundam 模式”，上限 800 token。

此外，它還提供 Resize、Padding、Multi-page、Sliding 四種策略，在多頁(yè)文檔中平衡壓縮率與準(zhǔn)確性。

DeepSeek OCR 的訓(xùn)練規(guī)模同樣罕見。研究團(tuán)隊(duì)使用了 三千萬(wàn)頁(yè) PDF 語(yǔ)料，覆蓋約一百種語(yǔ)言。

其中包括 2500 萬(wàn)頁(yè)中英文文檔，以及一千萬(wàn)張合成圖表、五百萬(wàn)化學(xué)公式、一百萬(wàn)幾何圖形。

這些數(shù)據(jù)讓模型具備了跨領(lǐng)域、跨語(yǔ)言的泛化能力。

它不僅能保持原始排版，還能在輸出中附帶文字描述和圖像內(nèi)容說(shuō)明。

在多模態(tài)大模型中，文本上下文的限制一直是瓶頸。DeepSeek 的方法繞開了傳統(tǒng) token 計(jì)數(shù)邏輯，用視覺 token 替代文本 token。

這使得語(yǔ)言模型能在“看圖”的同時(shí)完成“讀文”。

對(duì)研究者而言，這是一種近似“外接硬盤”的解決方案：通過(guò)視覺壓縮，AI 的上下文長(zhǎng)度幾乎無(wú)上限。

這種方式也預(yù)示著未來(lái)的模型架構(gòu)可能不再區(qū)分“文本理解”和“圖像理解”。

責(zé)任編輯：姜華來(lái)源：大數(shù)據(jù)文摘