作者：华侯道 来源：原创 发布日期：08-21
一 | 就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。 8月24日，中国篮协正式公示了名古屋亚运会男篮参赛名单。虽然体量不大，但模型思路创新的力度着实不小。 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。序列越长，算力烧得越狠。
二 | 于是，DeepSeek团队想到了一个好办法。 14人阵容包括：程帅澎、崔永熙、胡金秋、胡明轩、贺希宁、焦泊乔、李弘权、李悦洲、廖三宁、庞峥麟、王俊杰、余嘉豪、赵嘉义、朱俊龙。
三 | 对比过往，这份名单有一个不小的调整，有过NBA履历的周琦和杨瀚森双双落选。
四 | 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”。 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。
五 | 据媒体人报道，中国篮协在公布名单前，国家队也曾询问过周琦的身体状况，周琦本人给出了肯定的答复，表示“国家队有需要，自己义不容辞”。
六 | 但最终，篮协认为老队员整个夏天没有跟队训练，放弃了征召。 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。 杨瀚森的缺席同样干脆。 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。他将返回美国备战NBA新赛季，得到了篮协的支持。赵继伟则获得轮休机会。 这意味着，国家队坚持了重建道路，放行杨瀚森回NBA，给周琦更多恢复时间。毕竟下赛季对杨瀚森至关重要，能否继续留在NBA就看第二年表现。放行留洋球员，本身就是进步。 上一届杭州亚运会，中国男篮主场作战，半决赛爆冷不敌菲律宾，仅获第三名。如今客场作战，日本队虽是二队但主场优势不容小觑，菲律宾、韩国等队精英尽出，西亚球队更是多数签下了归化球员，整体实力提升明显。 外界不看好，反倒让这支年轻的队伍可以轻装上阵。与其让老将带伤硬撑，不如给更多年轻球员上场机会。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。这份名单，代表国家队对集训队员状态的信任。 名古屋亚运会男篮比赛将于9月19日至10月4日进行。 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）。 （林小湜）。 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。
七 | 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。 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。
八 | 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。
九 | 举例而言，一张1024×1024的图像，会被切成4096个patch token。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。 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。
十 | 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。
十一 | 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。 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。
十二 | 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。
十三 | 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。
十四 | 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。 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。 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）。
十五 |
Current article:http://zcyuf.sunaichitikouchua.bond/sx8w/m8nfj.html
Published on:02:35:59