DeepSeek-OCR引领AI新纪元：像素级文本处理与视觉输入革命

DeepSeek-OCR革新AI！像素级文本处理，压缩率超高效，基准测试夺冠。开源一夜爆红，收获4.4k星，Karpathy点赞视觉输入的无限可能。

DeepSeek再次震撼全球！

其最新成果DeepSeek-OCR彻底颠覆游戏规则——

文本不再是唯一输入，视觉将取而代之！

在光学文字识别OCR领域，DeepSeek-OCR堪称工程奇迹——

🚀单卡A100-40G上，速度达每秒约2500 Token。

🧠保持97% OCR准确率，视觉上下文压缩至原1/20，常规使用轻松小于1/10。

📄OmniDocBench基准测试中，更少视觉Token超越GOT-OCR2.0和MinerU2.0。

效果究竟多惊艳？

一页密文，仅100个视觉Token，OmniDocBench上实现最多60倍压缩！

DeepSeek-OCR将文字变为像素，如将百页书压缩成照片，AI依然解读无误。

参数少、压缩率高、速度快、支持百种语言……DeepSeek-OCR全做到。

不仅理论价值高，实用性也超强，好评如潮：

Github开源项目DeepSeek-OCR一夜爆红，收获4.4k星🌟：

DeepSeek-OCR证明实体页面是更优数据源，优于低质互联网文本。

Karpathy力挺新模型，难掩欣喜：

Karpathy技痒难耐，吐槽分词器已久

Karpathy喜爱DeepSeek-OCR新论文。

更有趣的是，像素输入是否优于文本输入？文本Token是否既浪费又糟糕？

DeepSeek-OCR动摇「文本核心地位」，视觉或成主流！

Karpathy自称「搞计算机视觉」，对上述问题尤感兴趣。

为何图像输入对AI更友好？

图像可轻易获双向注意力，而文本不行？图像块不理想？

原则上可行，但文本通常采用自回归方式训练。

图像块编码与Token解码核心差异。

视觉输入前景展望

OCR只是起点，「文本到文本」可改为「视觉到文本」。

作者介绍

三位作者：Haoran Wei、Yaofeng Sun、Yukun Li。