DeepSeek新模型被硅谷夸疯DeepSeek颠覆长文本处理方式DeepSee

DeepSeek新模型被硅谷夸疯DeepSeek颠覆长文本处理方式

DeepSeek放大招：一个OCR模型，硅谷夸疯了。

项目刚上线，就已经斩获3.7K GitHub star，HuggingFace热榜第二，X平台好评刷屏，连卡帕西都说“图像比文字更适合LLM输入”。

别看它只有3B参数，用的却是文字压缩的独特思路——让语言模型看图识字，把文字“压缩”进图像里处理。

说白了就是，大模型处理长文本会特别耗算力，如果换个方式，把文字变成图像，用视觉模型处理，就能节省大量token，降低计算开销。

比如一篇1000字的文章，传统模型可能需要1000个token，但用DeepSeek这套方法，压缩成图片后只需100个视觉token，还原时准确率能达到97%。

背后的核心思想是“上下文光学压缩”：

- 把文字画成图，图再压缩成高密度视觉token；

- 最后再用语言模型从这些token里“解码”出原文。

就像人类看一页书不是逐字逐句念，而是扫一眼大致理解。DeepSeek做的事也是这个思路。

关键是，这种方法极其高效，单卡（A100-40G）每天能生成20万页训练数据。

他们还顺带提出了一个新脑洞：用视觉压缩来模拟人类记忆的“遗忘机制”。

- 近期内容就像眼前的东西，清晰、需要精细处理；

- 远期内容就像模糊的背景，只需要简单留个印象；

- 所以可以用不同分辨率的图像来保存不同“时期”的信息，实现有选择的记忆衰减。

这个设想对AI处理超长上下文非常关键。之前大模型“记不住几页纸”的问题，很可能在这被撬开突破口。

很多人都惊了，有网友直接说：这是“AI的JPEG时刻”。

甚至有人猜，这思路和谷歌Gemini的核心结构非常接近，像是把谷歌机密直接开源了。

这次DeepSeek不止是提出新方法，更像是打开了一个全新的AI认知路径。

目前这个模型已经开源，在GitHub和HuggingFace上热度都爆了。

传送门在此：

GitHub：github.com/deepseek-ai/DeepSeek-OCR

HF页面：huggingface.co/deepseek-ai/DeepSeek-OCR