浙江
本周，DeepSeek 新開源的 DeepSeek-OCR 在開源社區(qū)的熱度持續(xù)發(fā)酵。
人們興奮的點是：它不僅是一款新的光學字符識別模型，還更像是一次對 “ 大模型記憶機制 ” 的重新設計。
在 DeepSeek-OCR 的架構中，圖像不再只是文字的載體，而是成為一種語義壓縮的中間語言。文字被渲染成圖像后，經(jīng)由 DeepEncoder 轉換為緊湊的視覺表征；這些視覺 token 既可以通過 DeepSeek 3B-MoE 模型還原為原始文本（這也是標準的 OCR 機制），也可以與其他輸入 token 與 prompt 結合，執(zhí)行問答、摘要、檢索等復雜任務。
通俗來說，就是我們可以把大量文字打包壓縮成一張圖片來節(jié)省空間，等需要使用的時候再解壓出來，甚至在一部分使用場景中，你甚至不需要解壓，直接用壓縮包就可以達成目的。
DeepSeek-OCR 模型架構。圖源：
https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
即便在 10× 壓縮比的條件下，模型的文本還原精度仍可達 97%。隨著大模型逐漸向越來越復雜的場景嵌入，上下文長度資源遠不夠用甚至越來越不夠用，而基座模型在此參數(shù)上升級頗為緩慢的當下，DeepSeek-OCR 的發(fā)布瞬間帶來很大的想象空間。
研究團隊甚至還進一步提出 “ 遺忘機制 ” 的構想，模型可依據(jù)信息的 “ 時序遠近 ”，在視覺壓縮階段主動衰減細節(jié)，從而實現(xiàn)一種類人記憶式的上下文管理。
那么，視覺 token 為何能在信息量不損失太多的情況下，比文本 token 少一個數(shù)量級？模型記憶能否完全用視覺邏輯來替代？DeepSeek-OCR 是否為解決大模型上下文長度受限的問題提供了一條現(xiàn)實可行的途徑？DeepSeek-OCR 反映了多模態(tài)大模型的什么發(fā)展趨勢？
帶著這些問題，知危與 Sand.ai 聯(lián)合創(chuàng)始人、首席科學家、《 Swin Transformer 》作者張拯進行了簡單的對話。
知危：
同一段輸入，為什么視覺 token 可以比文本 token 的數(shù)量少得多，有沒有直觀或本質的解釋？
張拯：
有兩種觀點。第一種，視覺是一個 2D 表達，因此可以比 1D 的表達更高效。
第二種，高效的原因不是視覺 v.s. 文本，而是兩邊采用的 token 表達方式不同：做視覺表達的時候，我們是在一個高維的連續(xù)空間中做信息壓縮（ 把 image patch 映射為一個高維特征 ），之前 LLM 里常用的 tokenizer（ 把文本數(shù)據(jù)向量化的工具，通俗理解是一種把自然語言翻譯為機器能理解的語言的工具 ）則實際上可以被認為是在一個一維空間中做壓縮（ 把文本映射為 id ）。高維連續(xù)空間本來就有更好的表達能力，因此可以用更少的 token 數(shù)量來表達更多信息。其實文本也可以做成連續(xù)表達，來大幅度減少文本 token，但是目前應該沒有被很廣泛地用到 LLM 里。
這兩種觀點，我 buy-in 第二種。
知危：
DeepSeek-OCR 相比過往的 OCR 模型，除了效率提升方面，還有哪些獨創(chuàng)性？
張拯：
我最近沒有特別研究過 OCR 模型的進展，但基于我看過的一些信息，我覺得 DeepSeek-OCR 的技術本身好像并沒有非常特別的部分。但是在觀點上，“ 把視覺作為文本長上下文的壓縮介質 ”，這個 idea 還是很棒的。這個 idea 有路線上的啟發(fā)意義，相較于現(xiàn)在的多模態(tài)模型，DeepSeek-OCR 會使用兩種不同的 tokenizer 機制，這種路線也許會啟發(fā)更好的多模態(tài)模型設計方案。
知危：
這項技術對于基礎模型上下文長度難以擴展的當下，可以帶來多大的成本效益？對上下文工程的優(yōu)化有哪些好處？
張拯：
理論上最多能拿到 N^2 倍的收益，N 是 Vision Token 相較于 Text Token 的壓縮率。對于上下文工程的優(yōu)化，最大的好處應該就是不用那么仔細地管理上下文長度了。
知危：
DeepSeek 設想的遺忘機制是否過于簡化？忽略了語義的重要性排序？
張拯：
這種設想肯定還是很初步的，但是也能腦洞出很多改進的空間，比如語義重要的部分可以渲染成更大的字體？
知危：
Andrej Karpathy 認為視覺 token 有潛力可以完全替代文本 token，因為信息壓縮、多模態(tài)、可雙向注意力處理、無需 tokenizer 等優(yōu)勢，您怎么看？
張拯：
大部分都同意，但是 “ 可雙向注意力處理 ” 這里有待探討，“ 可雙向注意力處理 ” 很大程度上和 training objective（ 訓練目標 ）有關。
另外，如果后面都是處理視覺 token 了，是不是有機會讓模型能在一個 2D 的空間里做思考？從而帶來更高效的推理（ 類似 GPT-4o 的 thinking with image ）？這個我覺得還是挺有意思的。
知危：近期 Meta 也提出了一個無需 tokenizer 的模型架構 Byte Latent Transformer ，可以跳過 tokenization ，直接學習原始字節(jié)流。結合以上討論和領域現(xiàn)狀，您認為這體現(xiàn)了多模態(tài)大模型的哪些發(fā)展趨勢？
張拯：
宏觀一點來看，不同模態(tài)模型的范式還是有機會持續(xù)進化的。
更細節(jié)一點的話，我初步想到的有兩個：
- 現(xiàn)在的多模態(tài)大模型的主流做法基本上可以認為在捏合各種不同的模態(tài)的模塊，整個訓練 pipeline 其實還是有點復雜（ 不優(yōu)雅 ）的。大家肯定希望有更簡單、更統(tǒng)一的方式來處理。類似 DeepSeek-OCR 這樣的工作對我們開發(fā)更好的多模態(tài)模型范式還是挺有啟發(fā)的。
- 離散表達和連續(xù)表達之間的關系，以及是否有更好的組合方式，可能也挺重要的。
（ 對話全文完 ）
總體來看，DeepSeek-OCR 更多是基于效率上的大幅提升啟發(fā)了一個新的路線。
當模型的 “ 思考空間 ” 從一維文本拓展至二維視覺，思考和推理也可能變得更加高效和簡潔。而在技術層面，則指向當前多模態(tài)大模型領域正等待一把 “ 奧卡姆剃刀 ” 簡化模型范式的時刻。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
