AI独角兽DeepSeek正式开源30亿参数（3B）模型DeepSeek-OCR，以”上下文光学压缩”这一颠覆性思路，破解了长期困扰大语言模型（LLM）的长文档处理算力难题。其核心创新在于跳出传统文本处理框架：将原本需要数千个文本Token表达的内容，渲染为图像后压缩为数百个视觉Token，通过”视觉→文本”的转换路径实现算力优化。
这一思路直击行业痛点——当前LLM处理长文本时，计算复杂度随序列长度呈平方级增长，导致算力成本居高不下。DeepSeek团队发现，人类视觉系统天生具备高效信息压缩能力，遂提出用机器模拟这一过程：将文本转化为图像后，借助视觉模型的特征提取能力实现10-20倍压缩，且在10倍压缩率下仍保持97%以上的OCR准确率。
在国际权威文档解析基准OmniDocBench上，DeepSeek-OCR创下震撼性成绩：仅用100个视觉Token，便超越了需256个Token的GOT-OCR2.0；使用不足800个视觉Token时，性能碾压平均每页需6000+Token的MinerU2.0。即便将压缩率提升至20倍，模型准确率仍能维持在60%左右，展现出极强的鲁棒性。
算力效率方面，该模型更显”小而强”的特质：单块A100-40GGPU每日可生成超20万页优质LLM/VLM训练数据，若部署20个节点（160块A100），日处理量可飙升至3300万页。这一效率意味着大规模训练数据制备成本将大幅降低，为AI模型迭代提供关键支撑。
DeepSeek-OCR的强悍性能源于两大核心组件的协同设计：
DeepEncoder深度编码器：作为”压缩引擎”，其融合SAM-base（8000万参数）与CLIP-large（3亿参数）架构，前者以窗口注意力提取局部视觉特征，后者以全局注意力把握整体信息，中间通过16×卷积压缩器大幅削减Token数量。该组件支持512×512至1280×1280多分辨率输入，动态适配不同场景需求。
DeepSeek3B-MoE解码器：采用混合专家架构，64个专家中激活6个及2个共享专家，实际激活参数约5.7亿，在保证30亿参数模型表达能力的同时，维持轻量级模型的推理效率，负责将压缩视觉Token精准还原为文本。
不同于传统OCR工具，DeepSeek-OCR具备跨模态”深度解析”能力。依托涵盖3000万页多语言PDF、300万条Word文档的海量训练数据（含100种语言，中英文占2500万页），模型可对复杂文档元素进行结构化提取：
金融图表直接转换为Markdown表格数据
化学结构式解析为国际通用的SMILES格式
几何图形识别线段关系与拓扑结构
自然图像生成密集语义描述（densecaptions）
这一能力使其在STEM科研、金融分析、教育出版等专业领域具备极高应用价值，例如科研人员可快速将文献中的公式与图表转化为可编辑内容，大幅提升研究效率。
