ITCOW牛新网 10月20日消息，DeepSeek-AI团队今日开源创新模型DeepSeek-OCR，该技术通过视觉模态实现对长文本的高效压缩，为历史文档数字化和大语言模型训练提供新解决方案。模型已同步在GitHub和Hugging Face平台开放，参数量为3B。
DeepSeek-OCR采用双模块架构，核心编码器DeepEncoder专为高分辨率输入优化，在保持低计算激活的同时实现高压缩比。测试数据显示，当文本token数量不超过视觉token的10倍时，模型OCR精度达97%；即使压缩比提升至20倍，准确率仍稳定在60%左右。
据ITCOW牛新网了解，该模型在OmniDocBench基准测试中表现突出：仅用100个视觉token即超越GOT-OCR2.0模型（每页需256个token），而不到800个视觉token的效果优于MinerU2.0模型（每页超6000个token）。实际应用中，单张A100-40G显卡可日均生成超20万页训练数据。
分析指出，DeepSeek-OCR的创新性在于将视觉压缩与文本处理结合，显著降低长文档处理的算力需求。这一技术不仅适用于古籍数字化等文化保护场景，还可优化大语言模型的记忆机制设计，推动多模态AI技术向轻量化、高效化发展。