DeepSeek新模型：实现海量信息存储，图文载入仅需十分之一token成本

DeepSeek最新推出了一款名为DeepSeek-OCR的创新模型，这项技术通过图像处理革新了数据存储方式，仅需传统方法十分之一的token数量就能存储同等规模的信息。这一突破性成果在全球科技界引发广泛关注，甚至被业内人士称作"令信息论创始人香农和计算机之父冯·诺依曼都为之侧目"的革命性技术。

与传统OCR技术截然不同，DeepSeek-OCR实现了逆向创新：将海量文字信息转化为图像进行存储。这种技术路径的转变源于一个直观发现——单张图片所容纳的信息量远超等量文字描述。比如在文档理解测试中，该模型仅用100个视觉token就超越了需要256个token的GOT-OCR+2.0模型；在更复杂的场景下，800个token的表现更是远超平均需要6000+token的MinerU+2.0模型。

技术团队设计了多级存储方案：简单文档仅需64个视觉token，内容复杂的页面会自动切换至400个token的Large模式，更可动态启用Gundam模式实现自适应存储。这种分级机制不仅优化了存储效率，更带来了意想不到的附加功能——模型能自动识别并转换图表数据为Excel格式，将分子结构图转化为标准SMILES代码，甚至能精确定位图片在文档中的位置及其周边文字信息。

这项创新恰逢其时地解决了AI训练领域的核心痛点：高质量数据稀缺。传统方法只能提取文档中的文字信息，而图表、插图等二维数据长期被忽视。DeepSeek-OCR的出现，使得单张A100显卡每日即可处理20万页文档，相当于为模型开辟了全新的数据矿藏。更为关键的是，图像存储方式使token使用量缩减至原来的十分之一，在压缩20倍的情况下仍能保持60%的准确率，仅损失3.5%的性能就实现了存储效率的十倍提升。

研究团队在实验中发现了一个有趣现象：模型采用不同清晰度存储图像的方式，与人类记忆的遗忘曲线高度相似。近期信息以"4K+HDR"格式存储，随着时间推移自动降级为480P格式，这种动态调整机制或许能为提升模型上下文处理能力提供新思路。虽然目前尚未得出明确结论，但开源社区已开始围绕这一方向展开探索。

该项目的开源特性加速了技术演进，其训练数据融合了华为Wukong数据集，文字生成借助百度PaddleOCR，图像特征提取采用meta开源的SAM模型，视觉语义理解则整合了OpenAI的CLIP技术。这种跨机构的技术协作，最终催生出了能够"用图像思考"的新型AI架构，为多模态大模型的发展开辟了全新路径。

免责声明

游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

同类文章