下面来聊聊这个被夸爆的新模型。
1. 模型的功能和用途
基础功能：像传统OCR一样识别图片中的文字，但更强大的是能自动生成带格式的Markdown文档，大标题小标题、有序列表、无序列表，连图表都能还原成可编辑的代码。
核心突破：用“上下文光学压缩”，简单来讲就是把海量文本内容压成极少量视觉 token，再从这些 token 里还原出文字。数据来自官方论文，在10×压缩下 OCR 准确率约96.5%，20×压缩仍可保持约60%。
说到这里，先扫个盲补充一下AI 是怎么读信息的。我们平时给大模型喂文字，比如几千字、一万字，其实是在喂它一串串 token。token 可以简单理解成是“词的碎片”，每个字、标点、符号都要占一个位置。
所以当你给它越长的文字，它就得一个一个地读，这就像你让一个人把一整本书从头读到尾，还要记住所有细节。文字越长，算力呈平方级增长，因为每读一个新 token，它都要和前面所有 token 比一遍关系。
而DeepSeek OCR的想法是“干嘛非得一个字一个字读？我能不能把整页内容先拍成一张图，用看图的方式去理解？”
于是，它就把原本要读的那堆文字先渲染成图片。比如你有一页排好版的文档，它就相当于截了一张清晰的截图，文字的内容、段落的结构、图片的位置、表格的形状都在里面。
2. 升级点
1. 创新性地用视觉token替代文本token，将一维文字转化为二维图像处理。
让模型像人一样扫一眼就理解布局和结构。在这张图中，每个区域就变成了一个视觉 Token。
这些 Token 不再代表单个字或词，而是代表一块信息区域，可能是一个段落、一张表格或一段公式。于是，模型只需处理几百个视觉 Token，就能理解几千甚至上万个文字 Token 的内容。
这带来了两大好处：
信息密度更高：同样的上下文内容，用更少的 Token 表达。
结构天然保留：版式、段落、表格关系一目了然。
2. 引入多分辨率设计，模拟人类记忆的遗忘机制。
人类在处理信息时，越新的记忆越清晰，越旧的就模糊。比如你能记得昨天看的电影细节，只记得上个月那部的大概情节。
DeepSeek-OCR 在模型结构里也做了类似的事情：它让不同区域、不同阶段的信息用不同的分辨率和 Token 数量来处理。
重要的部分（比如标题、关键段落）高分辨率看清楚，生成更多视觉 Token。不太重要的背景或旧信息低分辨率、模糊处理，占更少 Token。
这就是论文里提到的 Gundam 动态分辨率机制，模型可以根据内容自动选择合适的清晰度，既保证重点清晰，又节省算力。这种设计不仅提升效率，还能让模型在处理报纸、科研论文、长报告等大页面文档时保持稳定表现。
未来他们甚至设想，把这种分辨率衰减应用在大模型记忆中，离当前对话越远的历史，就压得越紧，像人类记忆一样模糊但不消失。
3.开发了专门的DeepEncoder编码器和DeepSeek-3B解码器
DeepEncoder：高效的视觉压缩器，它负责把整页图像压缩成极少量、高密度的视觉 Token。
DeepSeek-3B 解码器：聪明的解压器，这个部分负责从视觉 Token 里“讲回文字”，类似人类看完图像之后复述内容。它采用的是一个 3B 参数的混合专家（MoE）结构，推理时只激活约 570M 参数，性能像 3B 大模型，成本却接近 500M 小模型。
这对组合一个“压得狠”、一个“解得准”，共同构成了 DeepSeek-OCR 的底层效率引擎，既节省算力，又保持极高的还原度（上面提到的10× 压缩下仍有 97% 精度）。
💡 AI 工具的爆发，让普通人也能快速做出产品。
但如何做？如何变现？如何真正走向海外市场？
👉 想了解更多 AI 编程 & 出海实战信息
扫码或微信搜索 257735，发送暗号 【美金】
了解详情，加入实战社群。
微信扫一扫，了解更多详情
🚀 我们的出海作品展示平台上线啦！
欢迎访问 Showcase 平台，
这里汇聚了学员的出海实战作品，方便大家获得反馈、积累曝光机会。
我们还会定期举办创作活动与奖励计划，欢迎来逛逛！
🔗 更多教程请访问 ipengtao.com
文章评论