重磅！DeepSeek再开源：视觉即压缩，100个token干翻7000个

---

  新智元报道  

DeepSeek再发新模型！

Github上，DeepSeek新建了DeepSeek-OCR仓库，目的是探索视觉-文本压缩的边界。

常言道：一图胜万言。对LLM也是如此！

在理论上，DeepSeek-OCR模型初步验证了「上下文光学压缩」的可行性——

从少量视觉token中，模型能够有效解码出超过其数量10倍的文本token。

也就是说，包含文档文本的单张图像，能以远少于等效文本的token量来表征丰富信息。

这表明通过视觉token进行光学压缩可以实现更高的压缩比。

作为连接视觉与语言的中间模态，OCR任务是视觉-文本压缩范式理想的试验场——

它在视觉与文本表征之间建立了天然的压缩-解压缩映射关系，同时提供可量化的评估指标。

在OCR任务上，DeepSeek-OCR有较高实用价值：在OmniDocBench基准测试中，仅用100个视觉token即超越GOT-OCR2.0（每页256token）；以少于800个视觉token的表现，优于MinerU2.0（平均每页6000+token）。

图(a)展示了在Fox基准测试中的压缩比（真实文本token数/模型使用的视觉token数）；图(b)展示了在OmniDocBench上的性能对比

在实际应用中，单张A100-40G显卡，可支持每日20万页以上的大语言模型/视觉语言模型训练数据生成。

新模型还能解析图表、化学方程式、简单几何图形和自然图像：

可以上下滚动的图片

在不同历史上下文阶段中，DeepSeek-OCR的视觉-文本压缩可减少7–20 倍的token，为解决大语言模型的长上下文问题提供了可行方向。

这一范式为重新思考视觉与语言模态的协同融合，进而提升大规模文本处理与智能体系统的计算效率，开辟了新的可能。

这一发现将有力推动视觉语言模型与大语言模型的未来发展。

Github：https://github.com/deepseek-ai/DeepSeek-OCR

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

当前开源VLM（视觉语言模型）采用了三种主要的视觉编码器架构，但各有各的缺陷。

随着VLM的进步，许多端到端的OCR模型应运而生，根本性地改变了传统的管道架构，简化了OCR系统。

但有个核心问题：

这个问题对于研究「一画胜千言」的原则具有重要意义。

DeepSeek-OCR意在回答这一问题。它采用统一的端到端VLM架构，由编码器和解码器组成。

编码器（即DeepEncoder）负责提取图像特征，并对视觉表示进行token化与压缩处理。解码器则根据图像token和提示信息生成所需结果。

为了验证「上下文光学压缩」（context optical compression）的可行性，视觉编码器需要满足以下特性：

1. 能处理高分辨率图像；

2. 在高分辨率下保持较低的激活开销；

3. 生成较少的视觉token；

4. 支持多分辨率输入；

5. 参数规模适中。

研究者提出了全新的视觉编码器DeepEncoder。DeepEncoder参数量约为3.8亿，主要由串联连接的SAM-base和CLIP-large构成。

在这两个组件之间是一个2层卷积模块，对视觉token进行16×下采样。

DeepEncoder会压缩图像打下，比如将输入大小为1024×1024的图像划分为1024/16×1024/16=4096个patch token。

编码器的前半部分由窗口注意力主导且只有80M参数，因此激活内存消耗是可接受的。

在进入全局注意力模块之前，4096个token通过压缩模块，最终token数量会减为4096/16=256，从而使得整体的激活内存消耗可控。

假设有一张包含1000个光学字符的图像，要想测试解码需要多少个视觉token，就要求模型能够支持可变数量的视觉token。

也就是说，DeepEncoder需要支持多种分辨率。

动态插值位置编码可满足上述需求。

研究者设计了多个分辨率模式，以便在模型训练过程中同时支持多种分辨率，从而实现单个 DeepSeek-OCR 模型支持多个分辨率的能力。

如下图4所示，DeepEncoder主要支持两种输入模式：原生分辨率和动态分辨率。每种模式下又包含多个子模式。

原生分辨率支持四种子模式：Tiny、Small、Base和Large。

动态分辨率由两种原生分辨率组合而成。

支持动态分辨率主要是为了应对超高分辨率输入（例如报纸图像）的应用需求。瓦片化（tiling）是一种二级窗口注意力方法，可以进一步有效减少激活内存消耗。

在Gundam模式下，DeepEncoder输出的视觉token数量为n×100+256，其中n为瓦片的数量

Gundam模式与四种原生分辨率模式一起训练，以实现一个模型支持多种分辨率的目标。

值得注意的是，Gundam-master模式（1024×1024的局部视图+1280×1280 的全局视图）是通过在已训练的DeepSeek-OCR模型上继续训练得到的。

下表1总结了各模式下的分辨率和token数。

解码器使用DeepSeekMoE，具体为DeepSeek-3B-MoE。

在推理过程中，该模型激活了6个路由专家和2个共享专家，总计激活了约5.7亿参数。

3B的DeepSeekMoE非常适合于以领域为中心的视觉语言模型（VLM）研究——

它能够获得3B模型的表达能力，同时享有类似500M小型模型的推理效率。

在Fox基准集，研究者验证 DeepSeek-OCR在文本密集型文档上的压缩与解压能力，初步探索「上下文光学压缩」的可行性与边界。

如下表2所示，在10×压缩比内，模型的解码精度可达约97%，这一结果极具潜力。

而且输出格式仍与Fox基准的格式并不完全一致，因此实际性能可能略高于测试结果。

未来，或可通过文本到图像（text-to-image） 方法实现接近10×无损上下文压缩。

当压缩比超过10×时，性能开始下降，原因可能有二：

1. 长文档布局更复杂；

2. 长文本在 512×512 或 640×640 分辨率下出现模糊。

第一个问题可以通过将文本渲染到单页布局来缓解，而第二个问题则可能成为一种 「遗忘机制」（forgetting mechanism）的自然表现。

当压缩比接近20× 时，模型精度仍可维持在60%左右。

这些结果表明，光学上下文压缩（optical contexts compression） 是一种极具前景且值得深入研究的方向。

更重要的是，这种方法不会带来额外的计算开销，因为它能够直接利用VLM基础设施——

多模态系统本身就内置视觉编码器，从而具备天然的支持条件。

DeepSeek-OCR还很实用，能够为LLM/VLM预训练构建数据。

在实际部署中，DeepSeek-OCR使用20个计算节点（每节点配备8张A100-40G GPU）每日可为LLM/VLM生成3300万页训练数据。

为了量化OCR性能，研究者在OmniDocBench上测试了DeepSeek-OCR，结果如表3所示。

• 在仅需100个视觉token（640×640分辨率）的情况下，DeepSeek-OCR超越了使用256个token的 GOT-OCR2.0；

• 在400个token（其中285个有效 token，1280×1280分辨率）的情况下，模型在该基准测试中达到了与现有最先进模型相当的性能；

• 使用不到800个token（Gundam 模式），DeepSeek-OCR超过了需要近7000个视觉token的MinerU2.0。

这些结果表明，DeepSeek-OCR 在实际应用中非常强大，且由于更高的 token 压缩，模型具有更高的研究上限。

如下表4所示，某些类型的文档，只需要非常少的token即可获得令人满意的性能。

对于书籍和报告类型文档，DeepSeek-OCR仅需100个视觉token即可达到良好的性能。这可能是因为这类文档中的大多数文本token数量在1,000以内，意味着视觉token压缩比不超过10×。

除了解析图表、化学方程式、简单几何图形和自然图像外，对于PDF文档，DeepSeek-OCR可以处理近100种语言。

如下图11所示，DeepSeek-OCR 不仅在常见语言处理上表现出色，而且在多语言处理能力上也具有广泛的适用性，进一步增强了其在全球范围内的应用潜力。

DeepSeek-OCR具有某种程度的通用图像理解能力。

相关的可视化结果如图12所示，展示了该模型在图像描述、物体检测和语境定位（grounding） 等任务中的表现。