大都会

DeepSeek又发新模型，小而美玩出新高度_我的网站

A |     Peter 编译          总理Christopher Luxon的选民办公室，半年不到，第三次遭到破坏。         Advertise with us          （图片来源：TVNZ截图）          昨天在奥克兰东区Botany 拍摄的视频显示，Luxon办公室的墙上用黑色画着“授予签证”字样。    就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。虽然体量不大，但模型思路创新的力度着实不小。                   众所周知，当前所有LLM处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。序列越长，算力烧得越狠。         Luxon的画像成为了攻击目标，被涂上了头发和胡子。                             于是，DeepSeek团队想到了一个好办法。

B | 既然一张图能包含大量文字信息，而且用的Token还少，那不如直接把文本转成图像？这就是所谓的“光学压缩”——用视觉模态来给文本信息“瘦身”。总理的一位发言人表示，他们已经了解了损坏情况，这是警方的事情。         这并不是Luxon的办公室第一次成为袭击目标，去年11月和上个月，总理的办公室墙壁上被泼上了红漆，墙上还可以看到“free Palestine”的字样。         （图片来源：TVNZ截图）          在 去年11 月的事件中，巴勒斯坦激进组织 Tāmaki 将油漆泼在了 Luxon 的办公室和行动党党魁David Seymour的选区办公室。         附近居民Salim Arif昨天早上开车经过总理选民办公室，他说他“厌倦了该地区的破坏行为”。

C |                    而OCR正好天然适合验证这个思路，因为它本身就是在做“视觉→文本”的转换，而且效果还能量化评估。         “最近发生了很多这样的事情。                             论文显示，DeepSeek-OCR的压缩率能达到10倍，OCR准确率还能保持在97%以上。他的办公室以前也曾成为袭击目标，但这种情况到处都在发生。                   啥意思呢？就是说，原本需要1000个文本Token才能表达的内容，现在只用100个视觉Token就搞定了。即使压缩率拉到20倍，准确率也还有60%左右，整体效果相当能打。

D | ”          警方发言人表示，他们“无法立即”看到办公室区域发生任何破坏行为的报告。                   OmniDocBench基准测试结果显示：                    只用100个视觉Token，就超过了GOT-OCR2.0（每页256个Token）的表现；          用不到800个视觉Token，干翻了MinerU2.0（平均每页超过6000个Token）。                        在实际生产中，一块A100-40G显卡就能每天生成超过20万页的LLM/VLM训练数据。20个节点（160块A100）直接飙到每天3300万页。                             DeepSeek-OCR由两个核心组件组成：                    DeepEncoder（编码器）：负责图像特征提取和压缩；          DeepSeek3B-MoE（解码器）：负责从压缩后的视觉Token中重建文本。                        让我们来重点说说DeepEncoder这个引擎。                   它的架构很巧妙，通过把SAM-base（8000万参数）和CLIP-large（3亿参数）串联起来，前者负责“窗口注意力”提取视觉特征，后者负责“全局注意力”理解整体信息。                   中间还加了个16×卷积压缩器，在进入全局注意力层之前把Token数量大幅砍掉。

E |                    举例而言，一张1024×1024的图像，会被切成4096个patch token。         本周早些时候，政府被敦促为加沙与该国有联系的巴勒斯坦人制定特殊人道主义签证。

F | 但经过压缩器处理后，进入全局注意力层的Token数量会大幅减少。         相关阅读：          新西兰“第一夫人”将在奥克兰举办下午茶 每人募捐110纽币          总理称政府在努力工作，并把经济衰退归咎于工党          最新！GDP继续下降！新西兰经济陷入衰退          为完成节支目标，政府这一部门将裁员384人          国家党政府“百日计划”：破旧为主？加急作业？还是尾巴摇狗？          注：凡引用、摘录或转自其他媒体的作品， 本网对其观点、真实性和知识产权恕不负责。                   这样的好处是，既保证了处理高分辨率输入的能力，又控制住了激活内存的开销。                   而且DeepEncoder还支持多分辨率输入，从512×512的Tiny模式（64个Token）到1280×1280的Large模式（400个Token），一个模型全搞定。致力于帮助文章传播，希望能够与作者建立长期合作关系。

G | 若有任何问题请联系[email protected]。         chineseherald.co.nz All Rights Reserved 版权所有          相关内容                首次揭秘！总理Luxon的“朋友圈”！这些人，才是新西兰的管理者……           新西兰“第一夫人”将在奥克兰举办下午茶 每人募捐110纽币           警方的废水研究显示，两种毒品的吸食量在增加           政府取消全面降低限速的规定，学校周边的道路呢？           总理称政府在努力工作，并把经济衰退归咎于工党           前政府全面降低限速的措施将被撤销，某些路段除外           为完成节支目标，政府这一部门将裁员384人           6名青少年开着偷来的车撞向多辆汽车，已被奥克兰警方拘捕。

H |                    目前开源版本支持的模式包括原生分辨率的Tiny、Small、Base、Large四档，还有动态分辨率的Gundam模式，灵活性拉满。                             解码器用的是DeepSeek-3B-MoE架构。

I |                    别看只有3B参数，但采用了MoE（混合专家）设计——64个专家中激活6个，再加2个共享专家，实际激活参数约5.7亿。这也让模型既有30亿参数模型的表达能力，又保持了5亿参数模型的推理效率。                   解码器的任务就是从压缩后的视觉Token中重建出原始文本，这个过程可以通过OCR风格的训练被紧凑型语言模型有效学习。                   数据方面，DeepSeek团队也是下了血本。                   从互联网收集了3000万页多语言PDF数据，涵盖约100种语言，其中中英文占2500万页。                   数据分两类：粗标注直接用fitz从PDF提取，主要训练少数语言的识别能力；精标注用PP-DocLayout、MinerU、GOT-OCR2.0等模型生成，包含检测与识别交织的高质量数据。                   对于少数语言，团队还搞了个“模型飞轮”机制——先用有跨语言泛化能力的版面分析模型做检测，再用fitz生成的数据训练GOT-OCR2.0，然后用训练好的模型反过来标注更多数据，循环往复最终生成了60万条样本。                   此外还有300万条Word文档数据，主要提升公式识别和HTML表格解析能力。                   场景OCR方面，从LAION和Wukong数据集收集图像，用PaddleOCR标注，中英文各1000万条样本。                             DeepSeek-OCR不仅能识别文字，还具备“深度解析”能力，只需一个统一的提示词，就能对各种复杂图像进行结构化提取：                    图表：金融研究报告中的图表可以直接提取为结构化数据；          化学结构式：识别并转换为SMILES格式；          几何图形：对平面几何图形进行复制和结构化解析；          自然图像：生成密集描述（dense captions）。                        这在STEM领域的应用潜力巨大，尤其是化学、物理、数学等需要处理大量符号和图形的场景。

J |                    第一作者Haoran Wei此前曾供职于阶跃星辰，期间发布并开源了GOT-OCR2.0系统                    值得注意的是，DeepSeek团队在论文里还提出了一个脑洞大开的想法——用光学压缩模拟人类的遗忘机制。                   人类的记忆会随时间衰退，越久远的事情记得越模糊。

K | DeepSeek团队想，那能不能让AI也这样？于是，他们的方案是：                    1. 把超过第k轮的历史对话内容渲染成图像；          2. 初步压缩，实现约10倍的Token减少；          3. 对于更久远的上下文，继续缩小图像尺寸；          4. 随着图像越来越小，内容也越来越模糊，最终达到“文本遗忘”的效果。                   这就很像人类记忆的衰退曲线，近期信息保持高保真度，久远记忆自然淡化。

L |                    虽然这还是个早期研究方向，但如果真能实现，对于处理超长上下文将是个巨大突破——近期上下文保持高分辨率，历史上下文占用更少计算资源，理论上可以支撑“无限上下文”。

M |                              简言之，DeepSeek-OCR表面上是个OCR模型，但实际上是在探索一个更宏大的命题：能否用视觉模态作为LLM文本信息处理的高效压缩媒介？                    初步答案是肯定的，7—20倍的Token压缩能力已经展现出来了。

N |                    当然，团队也承认这只是个开始。

o | 单纯的OCR还不足以完全验证“上下文光学压缩”，后续还计划开展数字–光学文本交替预训练、“大海捞针”式测试，以及其他系统性评估。                   不过不管怎么说，这在VLM和LLM的进化路上，又多了一条新赛道。                   去年这个时候，大家还在卷怎么让模型“记得更多”。今年DeepSeek直接反其道行之，不如让模型学会“忘掉一些”。                   确然，AI的进化，有时候不是做加法，而是做减法。小而美，也能玩出大花样，DeepSeek-OCR这个3B小模型就是最好的证明。                   GitHub主页：http://github.com/deepseek-ai/DeepSeek-OCR          论文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek\_OCR\_paper.pdf          模型下载：https://huggingface.co/deepseek-ai/DeepSeek-OCR                    本文来自微信公众号：APPSO （ID：appsolution）。

Current article:http://nvdo.shaihanhuangwoshang.cyou/s58b5/s9d.html

Published on:12:59:16