DeepSeek團隊于10月20日開源的DeepSeek-OCR，以“上下文光學壓縮”為核心突破，重新定義了OCR（光學字符識別）的效率邊界。

當“8000 行代碼手搓 ChatGPT”的熱度還未褪去，大模型領域又迎來新驚喜——DeepSeek 團隊于 10 月 20 日開源的DeepSeek-OCR，以“上下文光學壓縮”為核心突破，重新定義了 OCR（光學字符識別）的效率邊界。這款僅 30 億參數量的模型，不僅能以 100 個視覺 token 超越傳統模型 256 個 token 的性能，更在單張 A100-40G 顯卡上實現每日 20 萬頁文檔處理能力，為長文本壓縮與大模型效率優化提供了全新思路。

?論文標題?：DeepSeek-OCR:ContextsOpticalCompression

?項目地址?：https://github.com/deepseek-ai/DeepSeek-OCR

?論文地址?：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf

?HuggingFace?：https://huggingface.co/deepseek-ai/DeepSeek-OCR

??Lab4AI 閱讀地址：文末點擊閱讀原文，直達官網

https://www.lab4ai.cn/paper/detail/reproductionPaper?utm_source=jssq_bky&id=827fb25d4535401c8c031d6d58265723

DeepSeek-OCR 的核心創新在于利用視覺模態作為文本信息的高效壓縮媒介。研究表明，一張?包含文檔文本的圖像可以用比等效文本少得多的 Token 來表示豐富信息?，這意味著通過視覺 Token 進行光學壓縮可以實現極高的壓縮率。

其核心表現可概括為兩組關鍵數據：

• 壓縮比與精度的平衡：當文本 token 數量是視覺 token 的 10 倍以內（即壓縮比 ＜10×）時，OCR 解碼精度高達 97%；即便壓縮比提升至 20×，精度仍能維持在 60% 左右，遠超行業同類模型的衰減速度。
• 極致的 token效率：在 OmniDocBench 基準測試中，它僅用 100 個視覺 token 就超越了需 256 個 token 的 GOT-OCR2.0；面對 MinerU2.0 平均每頁 6000+token 的消耗，它用不到 800 個 token 就能實現更優性能——相當于將文本處理的“token 成本”降低了 7-20 倍。
  這種突破的價值不僅在于 OCR 本身：對于受限于“長上下文處理能力”的大模型而言，DeepSeek-OCR 提供了一種新解法——將超長文本轉化為視覺圖像后壓縮輸入，可大幅減少 LLM 的 token 消耗，為處理百萬字級文檔、歷史上下文記憶等場景打開了通道。

DeepEncoder：編碼器 +MoE 解碼器

為實現“高壓縮比、低資源消耗”的目標，DeepSeek-OCR 采用了“DeepEncoder（編碼器）+DeepSeek3B-MoE（解碼器）”的端到端架構，兩者各司其職又高度協同。

1. DeepEncoder

作為模型的“壓縮核心”，DeepEncoder 需同時滿足“高分辨率處理、低激活開銷、少 token 輸出”三大需求，其架構設計暗藏巧思：

• 雙組件串聯：由 8000 萬參數的SAM-base（視覺感知）和 3 億參數的CLIP-large（視覺知識）串聯而成。SAM-base 用“窗口注意力”處理高分辨率圖像細節，CLIP-large 用“全局注意力”提取語義關聯，兼顧精度與全局理解。
• 16 倍 token 壓縮：在雙組件之間，通過2 層卷積模塊對視覺 token 進行 16 倍下采樣。例如，1024×1024 的圖像先被劃分為 4096 個 patchtoken，經壓縮后僅保留 256 個有效 token，既控制了內存消耗，又不丟失關鍵信息。
• 多分辨率適配：
  支持 Tiny（512×512）、Small（640×640）、Base（1024×1024）、Large（1280×1280）四種原生分辨率。還能通過“Gundam 模式”實現超高分辨率輸入（如報紙圖像）的瓦片化處理，單個模型即可覆蓋從手機截圖到大幅文檔的全場景需求。

2. DeepSeek3B-MoE

解碼器采用混合專家（MoE）架構，在“性能與效率”間找到了平衡點：

• 參數激活策略：雖然總參數量為 3B，但推理時僅激活 64 個“路由專家”中的 6 個，外加 2 個“共享專家”，實際參與計算的參數僅 5.7 億——相當于用“500M 模型的資源消耗”，獲得了 3B 模型的表達能力。
• 快速文本重建：從 DeepEncoder 輸出的壓縮視覺 token 中，解碼器能精準重建原始文本，甚至支持 markdown 格式轉換、圖表結構化提取等復雜任務，無需額外的后處理模塊。

性能表現

實驗數據令人印象深刻：當文本 Token 數量在視覺 Token 的 10 倍以內（壓縮率 <10×）時，模型的解碼精度可達 97%；即使在壓縮率達到 20× 的情況下，OCR 準確率仍保持在約 60%。

在實際應用層面，DeepSeek-OCR 展現出驚人效率：在 OmniDocBench 基準測試中，僅使用100 個視覺 Token 就超過了 GOT-OCR2.0（每頁 256 個 Token）的表現；使用不到 800 個視覺 Token 就優于 MinerU2.0（平均每頁超過 6000 個 Token）。

大模型實驗室 Lab4AI

值得一提的是，大模型技術社區「大模型實驗室 Lab4AI」已經第一時間上架了DeepSeek-OCR 論文及相關技術資料。該社區的技術團隊正在積極復現論文中的創新方法，驗證其在實際場景中的表現。

大模型實驗室作為專注于 AI 前沿技術的內容社區，將持續跟蹤 DeepSeek-OCR 的最新進展，并分享更多實踐案例和技術分析。歡迎各位開發者關注社區動態，共同探索這一創新技術的更多應用可能。