一袋女王

DeepSeek又发新模型，小而美玩出新高度_我的网站

调解面对面

一 |

[ 新车上市] 6月12日，我们从斯巴鲁官方了解到，旗下中型车——斯巴鲁LEVORG（国内命名为WRX Wagon）正式上市，共推出1款配置，售价为38.98万元。就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。该车将以平行进口方式引入，预计四季度交付，并限量150台。

二 |

外观方面，该车采用经典的家族式设计语言，六边形前格栅内部辅以镀铬饰条和品牌LOGO，搭配两侧标志性的C字形灯组，辨识度极高。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。同时，该车前发动机舱盖处设有进气口，使得整车保持了斯巴鲁一贯的运动风范。

三 |

来到侧面，新车的腰线以及肩线设计都比较简洁，通过上扬的趋势提升一定运动感，当然尾部则有着较大角度的曲线，有点像两厢车与旅行车的跨界组合。于是，DeepSeek团队想到了一个好办法。同时，该车配备密辐式轮圈，轮胎规格为225/45 R18。

四 | 尾部方面，其尾灯组设计与大灯组相互呼应，搭配双边共两出排气布局，在运动风格上进行了一定的加成。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”。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。

内饰方面，新车将会配备11.6英寸中控触摸屏+12.3英寸全液晶仪表盘的组合，平底式方向盘加入了红色缝线以及STI标识，另外中控区域还采用翻毛皮材质进行包裹，配合Recaro运动座椅，烘托出很强的运动感。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。

五 | 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。

六 | 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。

七 |

动力方面，国内引入车型为tS版本，预计其将会搭载2.4T水平对置发动机，最大功率275马力，峰值扭矩350牛·米，传动系统匹配CVT（8速模拟）变速箱，并会配备AWD全时四驱系统。值得一提的是，该车有望继续配备VTD可变扭矩分配、后轴限滑差速器以及减震系统可调等功能。关于该车更多信息，我们将持续关注。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。举例而言，一张1024×1024的图像，会被切成4096个patch token。

八 | 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。

九 | 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。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。

十 | 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。（文/ 周易）

。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。

十一 | 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。

十二 | 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。

十三 | 人类的记忆会随时间衰退，越久远的事情记得越模糊。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。

十四 | 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”。

十五 | 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。当然，团队也承认这只是个开始。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”。

十六 | 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://hkk8ej.shuacanrandenmizhuohaoeiliang.buzz/ogs/v27icmj.html

Published on:18:37:07

一袋女王

DeepSeek又发新模型，小而美玩出新高度_我的网站

我的网站最近更新

我的网站热门资讯