人工智能领域再迎突破，DeepSeek团队在视觉-文本转换领域取得重要进展，其新发布的OCR模型通过创新架构实现了前所未有的压缩效率。该模型采用端到端设计，能够在保持高精度的前提下，用极少量视觉token还原出十倍以上的文本信息，为解决大语言模型的长上下文处理难题提供了全新思路。
研究团队提出的"上下文光学压缩"理论，通过优化视觉表征方式，成功将包含千字文档的图像压缩为数十个视觉token。实验数据显示，在Fox基准测试中，模型在10倍压缩比下仍能保持97%的解码精度，即使压缩比达到20倍，精度仍维持在60%左右。这种压缩效率远超传统OCR模型，为视觉语言模型的数据处理开辟了新路径。
模型的核心创新在于其双编码器架构。视觉编码器DeepEncoder采用SAM-base与CLIP-large的串联设计，通过窗口注意力和全局注意力的组合，在保持3.8亿参数规模的同时，实现了高分辨率图像的有效压缩。特别设计的动态插值位置编码机制，使模型能够自适应不同分辨率的输入，最高可处理超过A4尺寸的超高分辨率图像。
解码器部分采用DeepSeek-3B-MoE架构，通过混合专家模型设计，在激活5.7亿参数的情况下达到了30亿参数模型的表达能力。这种设计使得模型在保持高效推理的同时，能够准确解析包含图表、化学方程式、几何图形等复杂内容的图像，并支持近百种语言的文本识别。
在OmniDocBench基准测试中，该模型展现出显著优势。使用100个视觉token时，其性能已超越需要256个token的GOT-OCR2.0；当token数量控制在800个以内时，更超越了需要6000个token的MinerU2.0。实际部署测试显示，20个计算节点（配备A100-40G GPU）每日可生成3300万页训练数据，大幅降低了LLM/VLM的预训练成本。
研究团队特别强调了模型的通用性。除文档文本识别外，该模型还能完成图像描述、物体检测、语境定位等基础视觉任务。多语言测试表明，模型对包括中文、阿拉伯文在内的复杂文字系统同样具有高效识别能力，这使其在全球范围内的应用成为可能。
技术白皮书详细披露了模型的实现细节。通过两层卷积模块实现的16倍下采样，配合瓦片化处理技术，有效控制了激活内存消耗。特别设计的Gundam模式，通过组合不同分辨率的局部和全局视图，进一步提升了超高分辨率图像的处理能力。这些创新使得单个模型能够同时支持多种分辨率输入。
目前，该模型已在GitHub和HuggingFace平台开源，包含完整代码和预训练权重。研究团队表示，这种视觉-文本压缩范式不仅适用于OCR任务，还可推广到其他需要多模态处理的场景，为提升大规模AI系统的计算效率提供了新的技术路径。实际应用案例显示，该模型在金融、法律、科研等文档密集型领域具有显著优势。
