引言：AI 的“记忆危机”

想象一下这样的场景：你正在和 ChatGPT 讨论一本 500 页的技术文档，聊到第 50 页时，AI 突然说：“抱歉，我记不住我们之前讨论的内容了，因为我的‘大脑’容量已经满了。”这不是科幻小说，而是当前 AI 技术面临的真实困境。

当前的大型语言模型在处理长文本时存在一个致命缺陷：计算复杂度随文本长度呈平方级增长。简单来说，处理 1000 个字的文档需要计算 100 万个关系，处理 10000 个字就需要计算 1 亿个关系。这种指数级的增长让 AI 在处理长文档时变得又慢又贵，甚至直接“罢工”。

这个问题在法律、医疗、学术研究等各个领域都造成了实际困扰。律师无法让 AI 分析完整的合同，医生无法让 AI 理解完整的病历，研究人员无法让 AI 处理长篇论文。长文本处理成了 AI 发展路上的一道坎。

创新解决方案：用图像“压缩”文字

面对这个难题，DeepSeek 团队提出了一个颠覆性的想法：为什么不让 AI“看”文档的图片，而不是“读”文档的文字？

这个想法的灵感来源于一个简单的事实：一张包含 1000 个字的文档截图，在视觉上只需要几十个“视觉信息块”就能被 AI 理解，而同样的 1000 个字作为文本，需要 1000 个“文字信息块”才能被处理。图片本身就是一种天然的信息压缩器。

为了实现这个想法，DeepSeek 团队打造了一个全新的“超级眼睛”——DeepSeek-OCR。它的设计就像一个高效的工厂流水线，分为三个阶段：

1. 第一阶段：派个“侦察兵”（SAM）
   它先快速扫描图片的每个角落，搞清楚“这里有什么，那里有什么”。它只看局部，不思考全局，所以速度飞快，而且特别省“脑力”。

2. 第二阶段：扔进“榨汁机”（16倍压缩器）
   “侦察兵”收集到海量信息后，直接扔进这个“榨汁机”。瞬间，信息量被压缩了 16 倍！这是解决“大脑宕机”问题的核心秘诀！

3. 第三阶段：请“战略家”出马（CLIP）
   压缩后的精华信息，被送到知识渊博的“战略家”面前。他结合自己的知识，进行全局理解和推理，最终搞懂这张图到底在说什么。

最后，这个“眼睛”看到的东西，会交给一个叫 MoE 的“聪明大脑”。这个大脑也很特别，它有 30 亿个知识细胞，但每次只叫最相关的 6 个“专家”来开会，既保证了强大的能力，又确保了高效的推理速度。

突破性成果：效率与精度的完美平衡

模型造好了，得拉出来练练。结果，它的表现让所有人都大吃一惊。

在 Fox 基准测试中，DeepSeek-OCR 展现了惊人的压缩能力。当压缩比达到 10 倍时，准确率仍然高达 97% 以上，相当于用 1/10 的信息量实现了几乎完美的文字识别。即使压缩到 20 倍，准确率仍有 60% 左右，虽然有些模糊，但核心信息仍然能够被理解。

更令人震撼的是在 OmniDocBench 这个业界公认的“最难考场”上的表现。DeepSeek-OCR 仅用 100 个视觉 token 就超越了使用 256 个 token 的竞争对手 GOT-OCR2.0，用不到 800 个 token 就击败了需要 7000 个 token 的“巨无霸”模型 MinerU2.0。这简直是“降维打击”，用 1/9 的资源达到了更好的效果。

除了基本的文字识别，DeepSeek-OCR 还具备“深度解析”的才艺。它能够将复杂的图表转换为结构化的表格数据，识别化学结构式并转换为代码，理解平面几何图形并提取结构信息，甚至能够描述图片内容，理解场景和对象。它还支持近 100 种语言，是一个名副其实的“世界通”。

技术实现：灵活适应不同需求

为了让这个“超级眼睛”能看各种尺寸的图片，DeepSeek-OCR 支持多种“清晰度”模式，就像相机的不同档位：

• Tiny/Small 模式：适合简单文档的快速预览和日常使用。
• Base/Large 模式：适合复杂文档的高质量处理和高精度要求。
• Gundam 模式：能动态处理超大文档，就像把大图切成几块看，既清晰又省力。

训练这个“超级大脑”需要海量的“教材”和顶级的“训练场”。团队收集了 3000 万页 PDF 文档、2000 万张街景文字图片，还有 1000 万张图表、500 万个化学公式、100 万个几何图形。整个过程动用了 160 张顶级 A100 显卡组成的“超级计算机集群”，堪称一场豪华的“AI 军演”。

未来展望：模拟人类记忆的 AI

DeepSeek 团队提出了一个更宏大的愿景：让 AI 具备类似人类的“遗忘机制”。

就像人类记忆一样，刚发生的事情记得清清楚楚，几天前的事情记得比较清楚，很久以前的事情变得模糊。AI 也可以模拟这个过程：最近的对话用高分辨率保存，看得清清楚楚；中期对话把图片稍微压缩，变得有点模糊；远期对话把图片压得更小、更模糊，几乎看不清。

这种设计让 AI 能够智能地保留重要信息，淡化次要内容，永远不会因为“记忆过载”而崩溃。理论上，AI 可以和你聊无限久的天，因为它会自动“清理”不重要的旧记忆。

实际应用前景

虽然训练 DeepSeek-OCR 动用了“国家队”级别的硬件，但通过巧妙的设计，它可以在相对普通的硬件上运行。对于有 16GB 显存的用户，通过量化等技术，也有可能在自己的电脑上跑起来。而有 24GB 显存的用户则能更流畅地运行，处理高分辨率文档。

这项技术为 AI 行业带来了新的可能性。它开辟了视觉-文本压缩这个新的研究热点，为长文本处理提供了全新的解决思路。虽然训练成本高，但推理成本大幅降低，让普通用户的使用成本大幅下降。在文档处理、知识管理、内容创作、教育培训等各个领域都开辟了新的应用场景。

结论：开启 AI 新时代

DeepSeek-OCR 不仅仅是一个技术突破，更是一个理念的革新。它证明了“一图胜千言”在 AI 时代的新含义——通过视觉方式处理文字信息，可以实现前所未有的效率和精度。

这项技术为 AI 的长文本处理问题提供了全新的解决思路，用 1/10 的信息量实现相同的效果，大幅降低计算成本，让 AI 能够处理更复杂的任务。它让更多用户能够使用高级 AI 功能，在各个领域提升工作效率，降低 AI 应用的成本门槛。

随着技术的不断完善，我们有理由相信 AI 将变得更智能、更高效、更普及。在 AI 快速发展的今天，DeepSeek-OCR 这样的创新让我们看到了技术的无限可能，也让我们对未来充满期待。这项技术不仅解决了当前的问题，更为未来的 AI 发展指明了方向。

原文地址：https://github.com/deepseek-ai/DeepSeek-OCR