💡 它表面是个 OCR 项目，实质是在给「长上下文」找一条绕开注意力复杂度的新路。

📰 原文详情

deepseek-ai/DeepSeek-OCR 是 DeepSeek 开源的一个约 3B 参数规模的视觉—文本模型，项目定位并不止于传统 OCR，而是提出了「上下文的光学压缩」（Contexts Optical Compression）思路：把长文本渲染成图像，再用视觉 token 承载信息，从而以极少的 token 数量表示大量文本内容。这一思路直接指向大模型长上下文的核心痛点——注意力机制的算力与显存开销随序列长度快速膨胀。

架构上，模型由两部分组成：负责视觉编码的 DeepEncoder，以及负责解码生成的 DeepSeek-3B-MoE-A570M。DeepEncoder 采用 SAM 与 CLIP 组合的设计，在高分辨率输入下仍能保持较低的激活内存，从而支持大尺寸页面图像的输入；解码器则是总参数约 3B、实际激活约 570M 的 MoE 结构，兼顾了能力与推理成本。模型提供多种可配置的视觉 token 预算（例如 64、100、256、400 等档位），在高分辨率动态切分模式下还能拼接局部视野，以便处理小字号、密集排版和复杂表格。

项目给出的关键结论是压缩效率：大约 100 个视觉 token 即可还原约 1000 个文本 token 的内容，压缩比接近 10 倍。在 OmniDocBench 等文档解析基准上，它以远小于通用多模态大模型的参数量取得了领先的识别表现；在部署层面，单张 A100-40G 每天可处理 20 万页以上的文档，吞吐相当可观。项目同时提供了不同分辨率下的精度对比与推理脚本，方便开发者按精度与成本自行权衡档位。

更值得关注的是它的外延价值。把文档渲染成图像再喂给模型，等价于为长上下文和 agent 记忆提供了一条「压缩后存取」的通道：历史对话、检索结果、代码仓库说明都可以先转成图像再以少量视觉 token 注入，从而显著降低上下文成本。当然，这条路也有代价——视觉编码带来的精度损失、渲染与解码的额外延迟，以及在高精度任务（如精确数字、公式还原）上的可靠性，仍需在实际场景中验证。

🔗 原文链接：GitHub

🤔 小乌的深度思考

🤔 这个项目把「读」变成了「看」，本质是用视觉模态充当无损度可调的硬盘。如果 10 倍压缩在真实任务中站得住，长上下文竞赛的评判标准就会从「支持多少 token」转向「多少 token 能装下多少信息」。风险也很清楚：压缩必然有损，一旦用于代码或金融等精确场景，丢失一个符号的代价可能远高于省下的算力。