DeepSeek-OCR：图像存储技术引领AI新浪潮

DeepSeek近日推出创新模型DeepSeek-OCR，仅需原本十分之一的token数量，就能存储几乎相同的文本信息，这种高效的压缩技术令人震撼。

这一突破性进展甚至引起了国际科技圈的广泛关注，许多海外专家对此表现出极大兴趣。

昨日，DeepSeek正式发布了名为DeepSeek-OCR的新模型。OCR技术我们并不陌生，它主要用于识别图像中的文字内容。

经常使用微信的用户可能了解，微信客户端中的图片在点开后可以直接复制文字，这正是OCR技术的一种应用。

然而，DeepSeek此次推出的“技能OCR”却反其道而行之，它能将大量文字转化为一张图片，作为AI的“记忆载体”。这意味着，仅用文字存储信息已无法满足其需求。

以往的大模型，无论是ChatGPT、Gemini、Llama、Qwen还是DeepSeek自身，在读取数据时都依赖于文字，即常说的token。

我们输入的提示词会被转换为大量token供模型处理；提供的参考资料同样如此；即便是能识别图像的多模态大模型，也需先将图片转为文字描述再进行识别。但文字token真的是大模型理解世界的唯一方式吗？

DeepSeek决定探索新路径。毕竟，对比一张图片和一段文字，前者显然能容纳更多信息。

例如，某些描述可能不够全面。既然如此，能否直接用图片训练大模型？DeepSeek开始尝试，结果发现用图片训练出的模型既美观又实用。

一方面，它能以更少的token记忆更多内容。在文档理解测试中，DeepSeek-OCR仅用100个视觉token就超越了需要256个token的GOT-OCR 2.0。更进一步，它用不到800个视觉token便击败了平均需6000+token的MinerU 2.0。

这意味着，当大模型开始使用图像方式记忆数据后，能够以更少的token资源获得更佳的表达效果。此外，DeepSeek-OCR支持多种分辨率和压缩模式，以适应不同复杂度的文档。

例如，一张仅有背景和标题的PPT，可能只需64个视觉token即可表示；若文字内容较多，则会自动切换至Large模式，使用最多400个视觉token记录；若仍不足，DeepSeek-OCR还支持动态调整的Gundam模式，灵活应对各种存储需求。

与传统仅能识别文字的模型相比，DeepSeek-OCR能记忆的数据更为丰富。论文中的柱状图，它能自动识别并保存为Excel格式；文章中的有机化合物分子结构图片，也能转化为标准的SMILES格式存储。

它不仅记忆图片本身，还同时记录图片位置及附近文字内容，从而捕获过去许多被忽视的二维信息。

这一技术的价值可能尚未被完全认识。当前大模型发展除显卡短缺外，最大难题是训练数据不足。常规数据集已用尽，高质量数据需爬取、购买或合成。

如今，许多过去未采集的数据可在二维信息中获取。例如，论文文件过去只能提取文字信息，图表插图则无法处理；而使用DeepSeek-OCR后，这部分缺失可无缝补全。

实际上，DeepSeek在论文中特别提到，新模型在一张A100显卡上，一天可采集超过20万页训练数据。因此，有了DeepSeek-OCR，所有历史数据都值得重新识别，这些数据将成为下一代大模型的养分。

另一方面，使用二维方式存储数据后，模型运行也更节省资源。众所周知，大模型对话越长，上下文越久，越容易出错。这是因为模型需处理每个单词与其他所有单词的关系，对话长度翻倍，计算量增为四倍；增两倍，计算量变为九倍。这也是大模型厂商限制上下文长度的原因之一，过长对话成本极高。

采用图像记忆后，DeepSeek能将token数量压缩至原本十分之一，同时性能损失极小。论文显示，初版DeepSeek-OCR以十分之一token数量达到原模型96.5%的准确率；即使压缩二十倍，准确率仍保持约六成。

同时，DeepSeek研究人员发现有趣现象：模型通过不同清晰度存储图像的方式，类似人类遗忘信息的过程。对人类而言，遗忘是渐进的；刚发生的事如同Gundam模式存储的数据，最清晰；随时间推移，重要性降低，存储格式从Large降至Tiny，占用token越来越少。

将此概念引入大模型，可将近期聊天记录以“4K HDR蓝光”格式存储，早年不重要记录则压缩为480P文件。通过这种主动遗忘，能否增强大模型上下文能力？这一想法颇具意义，但DeepSeek尚未给出明确答案。

幸运的是，DeepSeek-OCR一如既往地开源，相信此问题不久将成为热点，催生新创新。最后，关于开源，我还注意到：此次研究不仅是DeepSeek的成果，也是开源社区的集体胜利。

训练数据使用了华为的Wukong数据集，生成样本文字借助了百度的PaddleOCR，图像特征提取核心组件是Meta开源的SAM，视觉语义理解整合了OpenAI的CLIP模型。

正是这些全球开源成果，被DeepSeek重新编织成能“用图片思考”的AI。那么，R2何时会来呢？