來自DeepSeek的最新研究：DeepSeek-OCR，一種探索通過光學(xué)2D映射來壓縮長上下文的新方法

LLM處理長文本的計算成本，又有了新的破解思路。把長長的上下文，直接渲染成一張圖片，再喂給模型，這樣做的好處是，原本數(shù)千上萬個文本token，現(xiàn)在可能只需要幾百個視覺token就能表示，實現(xiàn)了信息的高效壓縮

實驗結(jié)果相當(dāng)驚人：

在壓縮率小于10倍時（即文本token數(shù)是視覺token數(shù)的10倍以內(nèi)），模型OCR解碼準(zhǔn)確率高達97%

即使在20倍的超高壓縮率下，準(zhǔn)確率依然能保持在60% 左右

在主流的文檔解析基準(zhǔn)測試 OmniDocBench 上，DeepSeek-OCR 用更少的視覺token，實現(xiàn)了超越SOTA模型的性能

更重要的是，這項技術(shù)不僅是科研探索，還具備極高的實用價值。在生產(chǎn)環(huán)境中，單臺A100-40G GPU每天就能處理超過20萬頁的文檔，為大模型訓(xùn)練提供海量數(shù)據(jù)

目前，相關(guān)的代碼和模型權(quán)重均已開源

https://github.com/deepseek-ai/DeepSeek-OCR/

https://huggingface.co/deepseek-ai/DeepSeek-OCR

什么是“上下文光學(xué)壓縮”？

LLM在處理長文本時，面臨的核心挑戰(zhàn)是其固有的二次方計算復(fù)雜度。隨著序列長度的增加，計算資源和時間會急劇增長。

DeepSeek研究人員提出了一個反直覺卻又合乎邏輯的想法：利用視覺模態(tài)作為文本信息的壓縮媒介

相比于一長串的數(shù)字文本token，一張包含同樣內(nèi)容的文檔圖像，可以用遠(yuǎn)少于前者的視覺token來表示。這就好比將一本書的內(nèi)容拍成一張照片，這張照片本身就包含了所有的文字和排版信息

這種“文本→圖像→視覺token”的轉(zhuǎn)換過程，就是所謂的上下文光學(xué)壓縮（Contexts Optical Compression）

為了驗證這一想法，團隊構(gòu)建了DeepSeek-OCR模型。從圖（a）的壓縮實驗中可以看出，視覺token數(shù)量和OCR解碼精度之間的權(quán)衡關(guān)系：

64個視覺token（左側(cè)柱狀圖）：當(dāng)文本token數(shù)在600-700之間（壓縮率約10.5倍）時，精度為96.5%。隨著文本量增加到1200-1300（壓縮率接近20倍），精度下降到59.1%

100個視覺token（右側(cè)柱狀圖）：在600-700文本token（壓縮率6.7倍）時，精度高達98.5%。即使文本量增加，壓縮率達到12.6倍時，精度仍有87.1%

這意味著，在10倍壓縮的范圍內(nèi)，模型幾乎可以“無損”地從圖像中解碼出原文

DeepSeek-OCR是如何實現(xiàn)的？

DeepSeek-OCR的架構(gòu)由兩部分組成：一個核心的編碼器DeepEncoder，和一個解碼器DeepSeek3B-MoE-A570M

解碼器采用了高效的MoE（Mixture-of-Experts）架構(gòu)，而整個系統(tǒng)的創(chuàng)新關(guān)鍵在于DeepEncoder

為了在處理高分辨率圖像時，依然能保持較低的計算激活和可控的視覺token數(shù)量，DeepEncoder的架構(gòu)設(shè)計非常巧妙，它串聯(lián)了三個關(guān)鍵組件：

1.SAM-base (ViTDet)：利用窗口注意力（window attention）機制處理局部感知，將輸入圖像（如1024x1024）分割成大量patch（如4096個）。由于是窗口注意力且模型規(guī)模不大（80M），激活值是可控的

2.16倍卷積壓縮器：在特征進入全局注意力模塊前，通過一個2層卷積網(wǎng)絡(luò)進行16倍的下采樣，將視覺token數(shù)量從4096個銳減到256個

3.CLIP-large (ViT)：利用密集的全局注意力（dense global attention）機制提取視覺知識。由于輸入的token數(shù)量已經(jīng)大幅減少，這里的計算開銷也變得可以接受

這種“先局部處理，再壓縮，后全局理解”的串行設(shè)計，使得DeepEncoder能夠在處理高清圖像的同時，生成數(shù)量極少的視覺token，實現(xiàn)了內(nèi)存和token的雙重壓縮

效果炸裂，token用得還少

在權(quán)威的文檔理解基準(zhǔn) OmniDocBench 上，DeepSeek-OCR展現(xiàn)了其卓越的實用性能。

從上圖的性能對比中可以看出，DeepSeek-OCR（紅色圓點）在“平均每張圖的視覺token數(shù)”（橫軸）上處于最左側(cè)區(qū)域，意味著它使用的token數(shù)量最少。而在“整體性能（編輯距離）”（縱軸，越低越好）上，它卻達到了SOTA水平

具體來看：

僅用100個視覺token（Small模式），就超越了使用256個token的 GOT-OCR2.0

使用不到800個視覺token（Gundam模式），性能就超過了需要 6000+ token的 MinerU2.0

這充分證明，DeepSeek-OCR在實際應(yīng)用中非常強大，并且由于其極高的token壓縮率，為未來的研究留下了更高的想象空間

不止于OCR的“深度解析”

除了常規(guī)的OCR能力，DeepSeek-OCR還具備對文檔內(nèi)圖像進行深度解析的能力

無論是金融研報里的圖表：

還是化學(xué)文獻里的分子式：

甚至是數(shù)學(xué)題中的幾何圖形，它都能進行結(jié)構(gòu)化的解析和轉(zhuǎn)換

此外，得益于其多語言的訓(xùn)練數(shù)據(jù)，模型還能處理包括阿拉伯語、僧伽羅語在內(nèi)的近百種語言的文檔

未來構(gòu)想：模擬人類記憶遺忘

這項研究最引人遐想的部分，是它為實現(xiàn)LLM的記憶遺忘機制提供了一種可能的路徑

研究人員將上下文光學(xué)壓縮與人類記憶的衰退過程進行了類比：

近期記憶 (Recent Contexts)：就像近處的物體，清晰可見。可以將其渲染成高分辨率圖像，用較多的視覺token來保留高保真信息

遠(yuǎn)期記憶 (Older Contexts)：就像遠(yuǎn)處的物體，逐漸模糊?？梢詫⑵錆u進式地縮放成更小、更模糊的圖像，用更少的視覺token來表示，從而實現(xiàn)信息的自然遺忘和壓縮

通過這種方式，模型可以在處理超長對話或文檔時，動態(tài)地為不同時期的上下文分配不同數(shù)量的計算資源，從而可能構(gòu)建出一種理論上無限長上下文的架構(gòu)。

總而言之，DeepSeek-OCR不僅驗證了“上下文光學(xué)壓縮”這一新穎想法的可行性，還提供了一個性能強大、極具實用價值的開源模型，為解決LLM的長上下文難題開辟了一個全新的、充滿希望的方向。

論文地址：

http://github.com/deepseek-ai/DeepSeek-OCR