DeepSeek团队于2025年10月20日正式开源DeepSeek-OCR（全称：DeepSeek-OCR: Contexts Optical Compression），这是一个革命性的视觉-语言模型，首次系统验证了“用视觉token压缩文本上下文”的新范式。该模型不仅仅是高性能OCR工具，更是为大模型长上下文处理、记忆机制和多模态训练开辟了全新思路。
官方资源：
- GitHub仓库：https://github.com/deepseek-ai/DeepSeek-OCR
- Hugging Face模型页：https://huggingface.co/deepseek-ai/DeepSeek-OCR
- arXiv论文：https://arxiv.org/abs/2510.18234（标题：DeepSeek-OCR: Contexts Optical Compression）
- 国内镜像：ModelScope搜索“DeepSeek-OCR”或HF镜像站（hf-mirror.com）
核心技术亮点（强烈推荐关注）
- 光学上下文压缩（Optical Context Compression）新范式 传统长上下文依赖文本token（稀疏、低密度），DeepSeek-OCR创新地将文本渲染成2D图像，通过视觉编码器压缩成少量高密度视觉token。
- 每个视觉token承载更丰富信息，相当于“一张图压千字”。
- 定量验证：视觉token可高效替代文本token，为LLM外部记忆/缓存机制提供新路径（类似“光学遗忘”机制）。
- 惊人压缩比与准确率平衡
- 10倍压缩：OCR准确率保持**~97%**（几乎无损）。
- 20倍压缩：准确率仍达**~60%**（仍可用）。
- 示例：1000字文档压缩至~100个视觉token，极大降低上下文长度压力。 这在长文档处理、多轮对话记忆、历史上下文缓存场景中潜力巨大。
- 模型架构设计
- 双组件结构：
- DeepEncoder：专用视觉编码器，负责将图像（渲染文本）压缩成视觉token。
- 解码器：基于DeepSeek-3B-MoE-A570M（约3B参数稀疏MoE，轻量高效）。
- 支持端到端OCR，擅长复杂场景：文档布局理解、表格提取、公式识别、图表解析、多语言（近100种）。
- 实际性能与应用价值
- 单卡A100-40G即可高效运行，日处理能力可达3300万页文档。
- 超出传统OCR：可作为LLM的“视觉记忆模块”，将旧对话压缩成图像后重新输入，实现更高效长上下文。
- 为多模态训练提供新思路：视觉模态可能比纯文本更高效压缩信息。
- 开源友好度高
- 完整开源权重+代码，支持vLLM加速推理。
- 已集成上游vLLM（2025/10/23起），社区已有GGUF量化版、Rust实现等衍生项目。
为什么值得重点关注？
- 范式创新：首次从LLM视角重新审视视觉编码器作用，挑战“文本token为主”的传统认知，可能影响未来长上下文扩展方案（如无限上下文、记忆增强）。
- 实用性强：对文档AI、RAG系统、聊天机器人历史记忆优化有直接提升。
- 中国开源力量代表：DeepSeek继续以高性价比（低硬件需求、高性能）冲击国际前沿。
了！压力大山原地蒸发！