(資料圖)

北京時間10月20日，DeepSeek 在 GitHub 上開源其最新研究成果 —— DeepSeek-OCR 模型。

據(jù)介紹，DeepSeek-OCR 參數(shù)量約3B ，是對“光學二維映射壓縮”技術在長文本上下文處理中的可行性的一次初步探索。

模型核心由 DeepEncoder 與 DeepSeek3B-MoE-A570M 解碼器構成：DeepEncoder 負責在高分辨率輸入下保持低激活狀態(tài)，實現(xiàn)高壓縮比并生成適量視覺 token，解碼器則負責將這些 token 轉化為精確文本信息。

實驗數(shù)據(jù)顯示，當文本 token 數(shù)量控制在視覺 token 的10倍以內(nèi)（壓縮率 <10×）時，OCR 精度可達97%；即便壓縮率達到20×，準確率仍保持在 約60%。研究團隊稱，這一結果為長上下文壓縮和 LLM 記憶遺忘機制研究提供了新的思路。（袁寧）

關鍵詞： deepseek 解碼器 視覺 ocr 上下文 token