梁文锋藏了一手，DeepSeek新模型突然发布

他强任他强，清风拂山岗。

一、DeepSeek-OCR来了

不同于其他模型天天“卷”，最后跑分多几个点。

这次，DeepSeek团队研发出真东西了。

10月20日，DeepSeek（深度求索）在开源社区Hugging Face上发布了新模型DeepSeek-OCR。

这个模型可以说直接把目前的AI提升了一个维度。

图源：GitHub

长期以来，“长文本处理”一直是个令AI圈头疼的问题，目前市面上的各种模型，几乎都没有很好的方法可以解决。

这个问题的一个直接体现就是，不少用户在和AI聊天的时候，AI突然弹出“对话消息到达上限”。

不是AI不想聊了，是AI做不到了。

图源：小红书

这是什么原因呢？

因为市面上各种AI模型工作的一个核心逻辑是逐词处理，即用户丢给AI一个文本内容，它需要把每个字词，都转换成Token，也就是AI能够处理的基本语言单位，再对信息进行处理。

不仅如此，在每读一个新词后，为了和上下文串联起来，AI需要把这个词和之前所有出现过的词，都建立一次联系。

类似于你去一个新环境，现在来了一个陌生人，你要去了解他，他要了解你。

等你们熟悉了，又来了一个陌生人，现在你们三都要互相了解，完了之后，又来了第四个、第五个......

这个成本，可以说是呈指数级的。

这也就是技术上常说的，计算复杂度是N的平方。

图源：百度

其实在2月份，DeepSeek刚出现的时候，为了解决这个问题，团队采用了稀疏注意力机制。

这个机制就是将文本压缩为粗粒度语义块，动态筛选关键片段，结合局部滑动窗口，在保留了全局理解的基础上，提炼重点内容进行思考，从而减少了多余的计算。

图源：CSDN

这种方法在一定程度上缓解了计算的复杂度，不过它没有根治问题。而且在面对超长文本的时候，它还有造成信息缺失的风险。

市面上各种模型也尝试采取各种方法，去解决超长文本的问题，但也只是在逐词处理的逻辑上缝缝补补。

而这一次，DeepSeek-OCR直接掀桌子了。

为什么一定要逐词处理，直接看图不是更快吗？

于是，它整了一项技术叫“上下文光学压缩”。

图源：Github

这里的OCR全称是Optical Character Recognition，即光学字符识别。

这项技术不算新鲜，出现于上个世纪，最早用于将文字自动识别录入到电脑中，一般和扫描仪配套使用。

随着技术不断完善，OCR运用的场景也越来越多，现在可以也指从图像中提取文本的技术。

比如大家常用的微信，在图片消息的编辑栏里，会有一项提取文字，点一下，图片中的文字就变成了可以被选取、复制、粘贴的状态了。

图源：微信

在目前的Deepseek版本中，OCR技术也有应用。

点击加号，用户可以上传文件和图片，要求Deepseek根据给的文件生成内容，不过这种功能仅限于识别文字。

图源：Deepseek

当遇到没有文字的纯图片时，Deepseek也发懵了。

图片：Deepseek

总而言之，传统OCR技术的主要作用对象是文字，不论是纸上的文字，还是图中的文字。

但是现在，DeepSeek-OCR把OCR的识别范围扩大到了整张图。

在获取信息的阶段，DeepSeek-OCR会根据图片内容生成一份Markdown文档。

这个文档不仅可以保留图片中的内容，还能最大限度还原图片中的排版位置。

图源：百度

在文档中，用户可以随意编辑被提取的内容，包括文字、链接、表格等图片中所包含的信息。

在分析信息的阶段，DeepSeek-OCR颠覆了过往“逐字处理”的逻辑，而是直接把内容压缩成一张图，通过直接看图的方式分析信息。

类似于现在有一本几千页的书，你让AI帮你总结内容。

以前AI 的逻辑需要把这本书的所有文字，一个一个转换成token，然后建立其中的关联，进行计算，最后输出。

但是DeepSeek-OCR则是直接把这本书拍照，拍成几千张图片，让AI去看图，从而分析这本书中的内容信息。

简单来说，就是以前AI处理信息的方式是“读”，而DeepSeek-OCR处理信息的方式是“看”。

图源：差评

这样做的好处主要有三点：

一是信息处理效率显著提升。

DeepSeek-OCR将整页文档视为一个整体图像进行视觉编码，能够对海量文本信息进行并行处理，而不是在文字线性的逻辑中进行序列转化，尤其面对超长文本的时候，它的内容吞吐量提升是指数级的。

二是信息输出结构性更强。

DeepSeek-OCR看到信息后生成的是Markdown文档，对图像有整体感知，能够精确解析复杂文档中各类信息的层级关系，比如标题和正文，图表和阐释等。

三是信息处理的噪音更少。

在获取信息的时候，DeepSeek-OCR能从上下文中推断和补全局部模糊或残缺的文字信息，容错能力更增强。

此外，相比于传统AI依赖“版面分析-文字识别-后处理”的多模块流水线，DeepSeek-OCR采用端到端架构，从图像直接生成最终结果，不仅简化了流程，还从根本上减少了由于模块间衔接不当造成的错误。

图源：百度

总而言之，DeepSeek-OCR改变了模型对于信息获取的逻辑，在本质上是视觉驱动的。

相比于过去的被动吃掉内容，DeepSeek-OCR是主动去寻找信息。

这和以前的AI不同，它不再是一个单纯的工具，而是可以同步完成文字识别、图像描述、图文关联问答等任务，成为一个真正的内容理解系统。

二、从一维到二维

从“读”信息，到“看”信息。

这是AI从一维到二维的转变。

相比于过去，DeepSeek-OCR目前能获取和存储的信息量都大大提升。

而支撑这一点的是DeepSeek-OCR的“压缩”机制，这也是DeepSeek-OCR此次另一大创新点。

DeepSeek团队计算了“原来的文本token总数”和“压缩后的视觉token总数”之间的比例，简称为“压缩比”。

根据DeepSeek团队的论文数据，在保持96.5%的识别准确率的前提下，压缩比可以达到10倍。

图源：DeepSeek-OCR论文

简单来说，就是在信息准确率不错的情况下，压缩后的视觉token总数比文本token总数低了十倍。

既降低了算力负担，还提高了信息处理效率。

DeepSeek-OCR这次升级算得上是一举两得。

反映到实际应用中，这意味着以后用户和DeepSeek-OCR的对话数量上限会被提高。

图源：DeepSeek

在论文中，DeepSeek团队也解释了“压缩”功能的原理。

首先，AI只会把最近10轮的聊天记录，采用文本的形式记住。其他时间久远的文本聊天记录，AI会自动渲染成图片，通过编码器，把这张图进行压缩，然后存到记忆里。

其次，当你需要调用其中某个信息的时候，AI的解码器，也就是一个已经学会了看图的模型，会翻看之前的聊天“截屏”，找到你提的问题，并读取相应的信息。

最后，AI会将找到的信息，分析确认后，重新发送给你。

图源：DeepSeek-OCR论文

这就是DeepSeek-OCR的工作架构。

10月20日，官方发布，我国的人工智能企业已经超过了5000家，与人工智能相关的专利数已经占全球60%，算力总规模位居全球第二。

一个有关人工智能的未来正加速到来。

DeepSeek-OCR新模型的出现，无疑是给AI提供了更多想象空间。

值得一提的是，在DeepSeek-OCR的压缩机制中，对于那些非常久远，并且年久不用的上下文信息，AI会进一步渲染，压缩成更小的图像。

团队提到这个灵感来自于人类：人类的记忆会随着时间的推移而衰退，人类的视觉感知会随着空间距离的拉远而退化。

或许在不久的某一天，AI真的会给人类带来一个新的世界。