AI 又进化了，DeepSeek 再推 “ 王炸 ” 新功能

最近 AI 圈又出新花活儿了，DeepSeek 团队悄咪咪地开源了一个 30 亿参数的小模型，名叫DeepSeek-OCR。

别看体量不大，想法可是够炸的：他们居然打算让 AI用看图的方式去读文本。

没错，真“看图识字”。

而且不只是识字，而是让“视觉模态”成为一种文本压缩介质，用图片来代表文字，用“视觉 token”取代“文本 token”，实现所谓的光学压缩（Optical Compression）。

说实话，老狐看到这论文内容的时候，第一反应是：他们是想让语言模型也上美术课？

不过仔细一想，还真挺有道理。

大语言模型（LLM）最大的痛点是什么？处理长文本太烧算力。

大家都知道，大模型的注意力机制复杂度是平方级的。你给它2倍的输入，它要算4倍的东西；你让它记住一整个长文档，它立刻开始“烧卡烧心”。

那能不能换个思路？DeepSeek 团队说：既然一张图能装下好多字，那不如把文本直接变成图像，再让模型去看图！

论文里有个特别直观的例子：原本 1000 个 token 才能表达的内容，现在只用 100 个视觉 token 搞定，压缩 10 倍，还能保留 97% 的 OCR 准确率。

再狠点，压缩 20 倍也还能保留约 60% 的准确率。这意味着，模型“读图”的效率，居然比“读字”还高。

换句话说，模型没丢太多信息，但算力负担轻了十倍。

不少网友看到这里都傻了：AI 处理图像用量比长文本还少？这反人类直觉啊！

也有网友感叹：DeepSeek 这是想让模型“看文档像刷朋友圈”一样轻松。

老狐觉得，这波操作可以称得上“反向降维打击”。

过去我们都在想办法让模型更懂文字、看得更远；DeepSeek 直接反着来：让模型把字变成画，再“看画识文”。有点像回到了人类最原始的沟通方式：象形。

说到这儿，得聊聊这模型到底咋做的。DeepSeek-OCR 由两部分组成：DeepEncoder（看图压缩）+DeepSeek3B-MoE（解码还原）。

前者是整个系统的“压缩引擎”，它把两大视觉猛将 SAM-base 和 CLIP-large 串起来：

SAM 负责盯细节的“窗口注意力”，CLIP 负责抓整体的“全局注意力”。中间还塞了个 16× 卷积压缩模块，专门砍 token。

比如说，一张 1024×1024 的图片，理论上要被切成 4096 块去处理，现在被这个压缩模块一刀下去，直接瘦身成几百个 token。

这样一来，既保留了清晰度，又不炸显存。

而且它还支持多档分辨率模式：Tiny、Small、Base、Large，还有一个代号叫 “Gundam（高达）” 的动态模式。

你没看错，这模型甚至取名都带点“中二魂”。

解码器部分则是 DeepSeek 的老本行：MoE（混合专家）架构。

64 个专家中每次只激活 6 个，再加两个共享专家，实际算力只动用了约 5.7 亿参数，但性能媲美 30 亿模型。又快又省，堪称“节能灯中的战斗机”。

它的任务也不复杂，就是从那些压缩后的视觉 token 里，把文字“解码”回来。

整个过程有点像 OCR 的升级版，不过，这次是模型自己在“看图猜字”，而不是人类教它识字，而且猜得非常准。

当然，要把这玩意训好，得先喂够粮。DeepSeek 这回可是下了血本：整整 3000 万页 PDF 文档，涵盖 100 种语言，其中中英文就占 2500 万页。

他们还整了个“模型飞轮”：先用一个版面分析模型粗标数据，再用 GOT-OCR 之类的模型做精标，训练一遍，再反过来标更多数据。

循环往复，模型自己喂自己长大。

除此之外，还有 300 万条 Word 文档，专门练公式识别、HTML 表格提取，甚至包括金融图表、化学结构式、几何图形等奇奇怪怪的图像结构，也都被塞进训练集中。

DeepSeek 还从 LAION、Wukong 这些开源数据集抓了中英文各 1000 万张场景图，用 PaddleOCR 标注。

可以说，这波训练，真的是“从理工科到艺术科全覆盖”，真真正正用数据砸出来的聪明脑袋。

那效果咋样？论文里放了几组结果，非常能打。

在 OmniDocBench 测试上，DeepSeek-OCR 用100 个视觉 token就超过了 GOT-OCR2.0（每页 256 token）。用不到800 个视觉 token，又超越了 MinerU2.0（每页 6000+ token）。

性能更强、输入更短、推理更快。

这速度，简直是“AI 印刷机”。

不过，最让老狐拍案叫绝的，是论文最后那个脑洞：光学压缩还能模拟人类遗忘？

人脑的记忆会随时间衰退，旧事模糊，新事清晰。DeepSeek 团队就琢磨：那 AI 能不能也学会“忘”？

如果 AI 也能像人一样“选择性记忆”，是不是就能在超长对话里活得更轻松？

他们设计了一个实验设想：超过第 k 轮的历史对话内容，就渲染成图像；先压一遍，减少 10 倍 token；再久远一点，继续缩小图像尺寸；图像越小，信息越模糊，最终就“忘掉”了。

有网友看完直接感叹：这不就是在模拟人脑记忆机制嘛！

当然，也有人泼冷水：DeepSeek 的幻觉高得惊人，这要是再给它学会“忘”，怕是忘得比人还快。

老狐看完这部分，是真觉得有点哲学意味。AI 的记忆，到底该无限延展，还是学会遗忘？

DeepSeek 给出的答案是后者，它用视觉的方式，让模型在“压缩”的同时，也“过滤”掉冗余。就像人脑那样：只留有用的信息。

这背后的意义，比 OCR 本身更大。它在重新定义“上下文”的概念：不是记得多，而是记得精。

说到底，DeepSeek-OCR 看似是个 OCR 模型，实则是在试探一种新范式：能不能用视觉模态来高效承载语言信息？

在所有人都往“更大、更长、更贵”的方向卷的时候，DeepSeek 却反手做了个“更小、更快、更巧”的模型。

这事儿本身就很 DeepSeek。

老狐最后想说一句：AI 的进化，可能并不总是加法，有时候减法更优雅。

DeepSeek-OCR 就是个活生生的例子：一个 3B 小模型，玩出了长文本压缩的新思路，甚至顺手摸到了“记忆与遗忘”的边界。

如果说去年是“谁能记住更多”，那今年，可能是“谁能忘得更聪明”。而 DeepSeek，这次又走在了前头。

本文来自微信公众号“科技狐”（ID：kejihutv），作者：老狐，36氪经授权发布。