DeepSeek 又发新模型，小而美玩出新高度

行业动态 2025年10月27日下午11:56 293

摘要

DeepEncoder：SAM-base 局部特征 + CLIP-large 全局语义 + 16× 卷积压缩器，多分辨率输入(64‒400 Token) 一键输出；DeepSeek-3B-MoE 解码器：仅激活 5.7 亿参数即可从压缩视觉 Token 高精度重建文本，兼顾容量与速度。

单卡 A100-40G 日处理 20 万页，20 节点集群达 3300 万页/天；在 OmniDocBench 上以 100 视觉 Token 超 GOT-OCR2.0，800 Token 击败 MinerU2.0，训练数据生产成本骤降。

统一提示词即可把图表、化学结构式、几何图形、自然图像等直接转成结构化数据（SMILES、LaTeX、JSON），为 STEM 领域提供端到端文档理解能力。

将历史对话渲染成图像并逐级降低分辨率，模拟人类记忆衰退；近期高保真、远期低消耗，理论上实现“无限长”上下文窗口，开辟 LLM 做“减法”的新研究方向。

DeepSeek 开源了一个 3B 模型 DeepSeek-OCR。虽然体量不大，但模型思路创新的力度着实不小。

众所周知，当前所有 LLM 处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。序列越长，算力烧得越狠。

于是，DeepSeek 团队想到了一个好办法。既然一张图能包含大量文字信息，而且用的 Token 还少，那不如直接把文本转成图像？这就是所谓的「光学压缩」——用视觉模态来给文本信息「瘦身」。

而 OCR 正好天然适合验证这个思路，因为它本身就是在做「视觉→文本」的转换，而且效果还能量化评估。

论文显示，DeepSeek-OCR 的压缩率能达到 10 倍，OCR 准确率还能保持在 97% 以上。

啥意思呢？就是说，原本需要 1000 个文本 Token 才能表达的内容，现在只用 100 个视觉 Token 就搞定了。即使压缩率拉到 20 倍，准确率也还有 60% 左右，整体效果相当能打。

OmniDocBench 基准测试结果显示：

只用 100 个视觉 Token，就超过了 GOT-OCR2.0（每页 256 个 Token）的表现

用不到 800 个视觉 Token，干翻了 MinerU2.0（平均每页超过 6000 个 Token）

在实际生产中，一块 A100-40G 显卡就能每天生成超过 20 万页的 LLM/VLM 训练数据。20 个节点（160 块 A100）直接飙到每天 3300 万页。

DeepSeek-OCR 由两个核心组件组成：

DeepEncoder（编码器）：负责图像特征提取和压缩

DeepSeek3B-MoE（解码器）：负责从压缩后的视觉 Token 中重建文本

让我们来重点说说 DeepEncoder 这个引擎。

它的架构很巧妙，通过把 SAM-base（8000 万参数）和 CLIP-large（3 亿参数）串联起来，前者负责「窗口注意力」提取视觉特征，后者负责「全局注意力」理解整体信息。

中间还加了个 16×卷积压缩器，在进入全局注意力层之前把 Token 数量大幅砍掉。

举例而言，一张 1024×1024 的图像，会被切成 4096 个 patch token。但经过压缩器处理后，进入全局注意力层的 Token 数量会大幅减少。

这样的好处是，既保证了处理高分辨率输入的能力，又控制住了激活内存的开销。

而且 DeepEncoder 还支持多分辨率输入，从 512×512 的 Tiny 模式（64 个 Token）到 1280×1280 的 Large 模式（400 个 Token），一个模型全搞定。

目前开源版本支持的模式包括原生分辨率的 Tiny、Small、Base、Large 四档，还有动态分辨率的 Gundam 模式，灵活性拉满。

解码器用的是 DeepSeek-3B-MoE 架构。

别看只有 3B 参数，但采用了 MoE（混合专家）设计——64 个专家中激活 6 个，再加 2 个共享专家，实际激活参数约 5.7 亿。这也让模型既有 30 亿参数模型的表达能力，又保持了 5 亿参数模型的推理效率。

解码器的任务就是从压缩后的视觉 Token 中重建出原始文本，这个过程可以通过 OCR 风格的训练被紧凑型语言模型有效学习。

数据方面，DeepSeek 团队也是下了血本。

从互联网收集了 3000 万页多语言 PDF 数据，涵盖约 100 种语言，其中中英文占 2500 万页。

数据分两类：粗标注直接用 fitz 从 PDF 提取，主要训练少数语言的识别能力；精标注用 PP-DocLayout、MinerU、GOT-OCR2.0 等模型生成，包含检测与识别交织的高质量数据。

对于少数语言，团队还搞了个「模型飞轮」机制——先用有跨语言泛化能力的版面分析模型做检测，再用 fitz 生成的数据训练 GOT-OCR2.0，然后用训练好的模型反过来标注更多数据，循环往复最终生成了 60 万条样本。

此外还有 300 万条 Word 文档数据，主要提升公式识别和 HTML 表格解析能力。

场景 OCR 方面，从 LAION 和 Wukong 数据集收集图像，用 PaddleOCR 标注，中英文各 1000 万条样本。

DeepSeek-OCR 不仅能识别文字，还具备「深度解析」能力，只需一个统一的提示词，就能对各种复杂图像进行结构化提取：

图表：金融研究报告中的图表可以直接提取为结构化数据

化学结构式：识别并转换为 SMILES 格式

几何图形：对平面几何图形进行复制和结构化解析

自然图像：生成密集描述（dense captions）

这在 STEM 领域的应用潜力巨大，尤其是化学、物理、数学等需要处理大量符号和图形的场景。

第一作者 Haoran Wei 此前曾供职于阶跃星辰，期间发布并开源了 GOT-OCR2.0 系统

值得注意的是，DeepSeek 团队在论文里还提出了一个脑洞大开的想法——用光学压缩模拟人类的遗忘机制。

人类的记忆会随时间衰退，越久远的事情记得越模糊。DeepSeek 团队想，那能不能让 AI 也这样？于是，他们的方案是：

把超过第 k 轮的历史对话内容渲染成图像

初步压缩，实现约 10 倍的 Token 减少

对于更久远的上下文，继续缩小图像尺寸

随着图像越来越小，内容也越来越模糊，最终达到「文本遗忘」的效果

这就很像人类记忆的衰退曲线，近期信息保持高保真度，久远记忆自然淡化。

虽然这还是个早期研究方向，但如果真能实现，对于处理超长上下文将是个巨大突破——近期上下文保持高分辨率，历史上下文占用更少计算资源，理论上可以支撑「无限上下文」。

简言之，DeepSeek-OCR 表面上是个 OCR 模型，但实际上是在探索一个更宏大的命题：能否用视觉模态作为 LLM 文本信息处理的高效压缩媒介？

初步答案是肯定的，7-20 倍的 Token 压缩能力已经展现出来了。

当然，团队也承认这只是个开始。单纯的 OCR 还不足以完全验证「上下文光学压缩」，后续还计划开展数字–光学文本交替预训练、「大海捞针」式测试，以及其他系统性评估。

不过不管怎么说，这在 VLM 和 LLM 的进化路上，又多了一条新赛道。

去年这个时候，大家还在卷怎么让模型「记得更多」。今年 DeepSeek 直接反其道行之，不如让模型学会「忘掉一些」。

确然，AI 的进化，有时候不是做加法，而是做减法。小而美，也能玩出大花样，DeepSeek-OCR 这个 3B 小模型就是最好的证明。

发表回复

Please Login to Comment

DeepSeek 又发新模型，小而美玩出新高度

发表回复

联系我们

13276019273

DeepSeek 又发新模型，小而美玩出新高度

相关新闻

发表回复

联系我们

13276019273