DeepSeek-OCR：图像记忆引领AI新纪元

DeepSeek 又放大招了，这次它仅用原本十分之一不到的 token，就能存下几乎一样多的文字信息，这压缩比，就连香农看了都要感叹，冯·诺伊曼看了都要沉默。

这一成果直接让一群老外惊呆了。

昨天，DeepSeek 发布了新模型 DeepSeek-OCR，OCR 是什么大家都清楚，就是把图片里的文字识别出来。

经常用微信的朋友应该知道，微信客户端里的图片，被点开后，是可以直接复制文字的。

没错，这就是 OCR 技术的一个应用。

但 DeepSeek 这次搞的「技能 OCR」却反其道而行之，它能把大量文字变成一张图片，作为 AI 的“记忆载体”。

是的，用文字存储信息已经不够用了。

以往的大模型，无论是 ChatGPT、Gemini、Llama、Qwen 还是 DeepSeek 自己，读取数据时都依赖一种方式：文字，也就是平时说的 token。

我们写的 Prompt 会被转换成大量 token 给大模型，提供的参考资料也一样。即便是能识别图像的多模态大模型，也要先把图片转换成文字描述。

但文字 token 真的是大模型理解世界的唯一方式吗？

DeepSeek 决定尝试新路径，毕竟，文字和图片放在一起，后者能包含更多信息。

比如这个描述就不够全面：

那我们能不能直接用图片来训练大模型呢？

于是 DeepSeek 开始尝试，结果发现用图片训练出来的模型既美观又实用。

一方面，它可以用更少的 token 记住更多内容。

在测试文档理解能力的任务里，DeepSeek-OCR 仅用 100 个视觉 token 就超越了需要 256 个 token 的 GOT-OCR 2.0。

更厉害的是，它用 不到 800 个视觉 token 就击败了平均需要 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，就能用更少的 token 取得更好的表达效果。

另外，DeepSeek-OCR 还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，一张只有图片背景和标题的 PPT 可能只需 64 个视觉 token。如果内容多，会自动切换到 Large 模式，用最多 400 个视觉 token。还有动态调整的 Gundam 模式来记忆图片。