DeepSeek又在整活儿了：AI“看图识字”还学会“选择性遗忘”，这波操作太秀！

TL;DR：

DeepSeek又来放大招了，这次他们让AI学会了“看图识字”——把长文本先变图片再识别，直接让大模型处理长文本的算力消耗“瘦身”十倍！更炸裂的是，这技术还能让AI模拟人类记忆，玩起了“选择性遗忘”，简直是给AI脑子做了个深度清洁。

最近AI圈子真是“活久见”系列频出，前有各种“幻觉大师”AI画图，后有模型“嘴替”吵架。这不，DeepSeek 团队又悄咪咪地扔出了一个“王炸”——一个名叫DeepSeek-OCR的30亿参数小模型。别看它参数不大，但想法可是相当炸裂，直接颠覆了我们对AI“读写”的认知。

他们居然想让AI用看图的方式去读文本。没错，就是字面意义上的“看图识字”，把文字信息用图像的方式进行压缩和表达，美其名曰光学压缩（Optical Compression）。老狐（没错，就是本人）看完论文的时候，第一反应是：这是想让语言模型也上美术课？

视觉革命：AI“看图识字”，这波操作太秀了！

我们都知道，现在的大语言模型（LLM）最大的痛点，就是处理长文本时算力“燃烧”得那叫一个心疼。大模型的注意力机制复杂度是平方级的，你给它一倍的输入，它要算四倍的东西；你让它记住一整本《红楼梦》，它立马开始“烧卡烧心”。这就像让一个近视眼看超长的卷轴，不仅费力，还容易看串行。

DeepSeek团队就琢磨了：既然一张图能装下好多字，那为啥不把文本直接变成图像，再让模型去看图呢？这思路简直是“反向降维打击”——过去我们都想着怎么让模型更懂文字，看得更远；DeepSeek直接反着来：让模型把字变成画，再“看画识文”。这有点像回到了人类最原始的沟通方式：象形文字，是不是瞬间觉得AI有点返璞归真了？

更骚气的是，这招还真管用！论文里给出了一个特别直观的例子：

“原本 1000 个 token 才能表达的内容，现在只用 100 个视觉 token 搞定，压缩 10 倍，还能保留 97% 的 OCR 准确率。”¹²

甚至再狠点，压缩20倍也还能保留约60%的准确率。这意味着，模型“读图”的效率，居然比“读字”还高，信息量没丢太多，但算力负担却轻了十倍。不少网友看完都傻眼了：AI处理图像用量比长文本还少？这简直是反人类直觉啊！也有网友感叹：DeepSeek这是想让模型“看文档像刷朋友圈”一样轻松。

黑科技拆解：DeepSeek-OCR，真·显存“减肥大师”？

那这波“反向降维”的黑科技到底是怎么炼成的呢？DeepSeek-OCR主要由两大核心部件组成：

1. DeepEncoder（视觉压缩引擎）：它负责把文字变成图像，再把图像变成紧凑的“视觉token”。
2. DeepSeek3B-MoE（解码还原专家）：这是一个小参数的大语言模型，负责从压缩后的视觉token里，把文字“解码”回来。

DeepEncoder可不是简单的“拍个照”那么敷衍。它把两大视觉领域的“猛将”——SAM-base（负责局部细节）和CLIP-large（负责全局理解）巧妙地串联起来。中间还塞了个16倍卷积压缩模块，专门用来“砍token”，简直是显存的“减肥大师”。一张1024×1024的图片，理论上要被切成4096块处理，经过这个模块一刀下去，直接瘦身成几百个token。这样一来，既保留了清晰度，又不至于让显存“炸裂”。

这个模型还支持多档分辨率模式：Tiny、Small、Base、Large，甚至还有一个代号叫“Gundam（高达）”的动态模式。你没看错，这模型甚至连取名都带点“中二魂”，DeepSeek工程师的浪漫，你get到了吗？

至于解码器部分，DeepSeek团队可是“老本行”——MoE（混合专家）架构。这个架构的精髓在于，虽然模型有很多个“专家”（64个），但每次运算时只会激活其中几个（比如6个），再辅以共享专家。实际算力只动用了约5.7亿参数，性能却能媲美30亿参数的模型。简直是**“节能灯中的战斗机”**，又快又省！

当然，要把这玩意儿训好，那可是要“喂够粮草”的。DeepSeek这回是真的下了血本：

• 3000万页PDF文档，涵盖100种语言，光中英文就占了2500万页。
• 300万条Word文档，专门用来练公式识别、HTML表格提取，甚至包括金融图表、化学结构式、几何图形等各种奇奇怪怪的图像结构。
• 从LAION、Wukong这些开源数据集抓取了中英文各1000万张场景图，用PaddleOCR进行标注。

这波训练，真的是“从理工科到艺术科全覆盖”，真真正正用数据砸出来的聪明脑袋。

效果也是相当能打。在OmniDocBench测试中，DeepSeek-OCR用100个视觉token就超越了用256个token的GOT-OCR2.0；用不到800个视觉token，又超越了需要6000+ token的MinerU2.0。性能更强、输入更短、推理更快，简直就是一台**“AI印刷机”**。

颠覆记忆：AI也要学会“遗忘”和“刷朋友圈”？

然而，最让老狐拍案叫绝的，是论文最后那个脑洞大开的设想：光学压缩还能模拟人类遗忘？

我们人脑的记忆会随时间衰退，旧事模糊，新事清晰。DeepSeek团队就琢磨：那AI能不能也学会“忘”？如果AI也能像人一样“选择性记忆”，是不是就能在超长对话里活得更轻松？

他们设计了一个实验设想：

1. 现在进行时： 对于当前的对话，AI使用原始的“文字token”，保持100%清晰的“晶莹剔透”记忆。
2. 稍远一点： 超过第k轮的历史对话内容，就渲染成图像，压一遍，减少10倍token，信息开始模糊。
3. 更久远： 再久远一点的对话，继续缩小图像尺寸，信息进一步模糊。
4. 最终： 图像越来越小，信息也越来越模糊，最终达到“忘掉”的效果。

这不就是在模拟人脑的记忆机制嘛！网友们看完直接惊呼：“这是想让模型刷文档像刷朋友圈一样，老旧内容划过去就模糊了？”³

当然，也有人泼冷水：DeepSeek的幻觉高得惊人，这要是再给它学会“忘”，怕是忘得比人还快。老狐看完这部分，是真觉得有点哲学意味。AI的记忆，到底该无限延展，还是学会遗忘？DeepSeek给出的答案是后者，它用视觉的方式，让模型在“压缩”的同时，也“过滤”掉冗余。就像人脑那样：只留有用的信息。

这背后的意义，比OCR本身更大。它在重新定义**“上下文”的概念：不是记得多，而是记得精**。

写在最后：当所有人都卷“大”和“长”，DeepSeek却选择了“小”和“巧”

说到底，DeepSeek-OCR 看似是个OCR模型，实则是在试探一种新范式：能不能用视觉模态来高效承载语言信息？

在所有人都往“更大、更长、更贵”的方向卷的时候，DeepSeek却反手做了个“更小、更快、更巧”的模型。这事儿本身就很DeepSeek。而且，DeepSeek-OCR 已经开源，在Hugging Face和GitHub上都能找到模型权重和代码，甚至有大神在NVIDIA Spark上成功部署运行⁴。这种开放的态度，也让人对它的未来充满期待。

老狐最后想说一句：AI的进化，可能并不总是加法，有时候减法更优雅。DeepSeek-OCR就是个活生生的例子：一个3B小模型，玩出了长文本压缩的新思路，甚至顺手摸到了“记忆与遗忘”的边界。如果说去年是**“谁能记住更多”，那今年，可能是“谁能忘得更聪明”**。而DeepSeek，这次又走在了前头。

引用

• DeepSeek-OCR
• 光学压缩
• AI看图识字
• 长文本处理
• AI记忆遗忘