量子位
·
DeepSeek新模型被硅谷夸疯了！用二维视觉压缩一维文字，单GPU能跑，“谷歌核心机密被开源”
内容提要
DeepSeek新模型DeepSeek-OCR通过视觉压缩文本，显著提升了长文本处理效率。在OmniDocBench基准测试中，压缩率小于10倍时准确率达到97%。研究者提出的“上下文光学压缩”方法模拟人类记忆机制，可能为AGI提供新思路。
关键要点
-
DeepSeek新模型DeepSeek-OCR通过视觉压缩文本，提升长文本处理效率。
-
在OmniDocBench基准测试中，压缩率小于10倍时准确率达到97%。
-
研究者提出的“上下文光学压缩”方法模拟人类记忆机制，可能为AGI提供新思路。
-
DeepSeek-OCR模型在处理长文本时，使用少量视觉token表示大量文本token，降低计算开销。
-
DeepEncoder编码器负责将图片转成高度压缩的视觉token，采用局部处理、压缩和全局理解的设计。
-
DeepSeek-OCR支持多种输入模式，灵活应对不同压缩比需求。
-
研究团队提出用光学压缩模拟人类的遗忘机制，可能构建无限长上下文的架构。
-
该模型在GitHub上获得了3.3K star，受到广泛好评。
延伸解读
上下文光学压缩的创新意义
DeepSeek-OCR提出的“上下文光学压缩”方法，模拟人类记忆机制，可能为人工智能的发展提供新思路。这种方法不仅提高了长文本处理的效率，还可能为构建更复杂的AGI系统奠定基础，值得关注其未来的研究进展。
模型的灵活性与应用场景
DeepSeek-OCR支持多种输入模式，能够根据不同的压缩需求灵活调整。这种灵活性使其在处理金融报表、化学分子式等复杂图像时表现出色，显示出其在实际应用中的广泛潜力。
对比传统OCR技术的优势
与传统OCR技术相比，DeepSeek-OCR在使用更少的视觉token时，依然能保持高准确率。这种高效的计算方式不仅降低了资源消耗，还提升了处理速度，可能会引领OCR技术的新趋势。
延伸问答
DeepSeek-OCR模型的主要功能是什么？
DeepSeek-OCR模型通过视觉压缩文本，显著提升了长文本处理效率。
DeepSeek-OCR在OmniDocBench基准测试中的表现如何？
在OmniDocBench基准测试中，压缩率小于10倍时准确率达到97%。
什么是上下文光学压缩？
上下文光学压缩是一种模拟人类记忆机制的文本压缩方法，旨在通过视觉方式压缩信息。
DeepSeek-OCR模型如何降低计算开销？
该模型使用少量视觉token表示大量文本token，从而降低计算开销。
DeepSeek-OCR支持哪些输入模式？
DeepSeek-OCR支持多种输入模式，灵活应对不同压缩比需求。
DeepSeek-OCR模型的开发团队有哪些成员？
开发团队包括Haoran Wei、Yaofeng Sun和Yukun Li，他们在多个模型研发中都有贡献。
