近日，deepseek推出全新ocr系统，在ai圈引发震动。该系统能让ai在不超出内存限制的情况下，处理更长的文档。其关键在于把文字当作图像来压缩，因为处理图片比处理纯文本更节省算力。据技术论文，系统在保留97%信息量的前提下，可将文档压缩至原来的十分之一。也就是说，一本上百页的pdf，经处理后只需原来十分之一的token数量，ai就能完整阅读。
DeepSeek OCR核心由两部分构成。
一是拥有3.8亿参数的图像处理模块DeepEncoder，负责将文档图片分析为压缩后的视觉token二是基于Deepseek - 3B - MoE的文本生成器，用于在此基础上恢复文字与结构在技术上，它融合了Meta的SAM（Segment Anything Model）与OpenAI的CLIP模型。SAM进行局部视觉分析，CLIP提供全局语义关联，两者间嵌入16倍压缩器，大幅减少图像token数量。一张1024×1024像素的图片，起初被分为4096个token，压缩后只剩256个，显著降低了CLIP的计算负担。在低分辨率下，DeepSeek OCR每张图仅需64个视觉token，高分辨率时也不超过400，而传统OCR系统往往需数千token才能完成同样任务。
该系统不仅能识别文字，还能识别图表、化学式、几何图形等多种复杂结构。研究团队称，它可直接从财报图表中提取结构化数据，并自动生成Markdown表格。在“深度解析模式”下，能将金融图表、几何图形重新绘制成矢量图，同时保留说明文字。
测试结果显示，DeepSeek OCR在OmniDocBench基准上表现出色。仅使用100个视觉token时，就超过了GOT - OCR 2.0使用256 token的结果；在800 token以下，击败了MinerU 2.0，后者每页需超过6000 token。
根据对比数据，其Gundam - M模式在中英文混合识别上取得最佳编辑距离分数。系统会根据文档复杂度自动选择模式，简单演示文档用64 token，普通报告约100，复杂报纸需启用“Gundam模式”，上限800 token。此外，还提供Resize、Padding、Multi - page、Sliding四种策略，在多页文档中平衡压缩率与准确性。
DeepSeek OCR的训练规模十分罕见。研究团队使用了三千万页PDF语料，覆盖约一百种语言，包括2500万页中英文文档、一千万张合成图表、五百万化学公式、一百万几何图形。这些数据让模型具备跨领域、跨语言的泛化能力，不仅能保持原始排版，还能在输出中附带文字描述和图像内容说明。
在多模态大模型中，文本上下文的限制一直是瓶颈。DeepSeek的方法绕开了传统token计数逻辑，用视觉token替代文本token，使语言模型能在“看图”的同时完成“读文”。对研究者而言，这近似于“外接硬盘”的解决方案，通过视觉压缩，AI的上下文长度几乎无上限，也预示着未来的模型架构可能不再区分“文本理解”和“图像理解”。
