DeepSeek近期推出了一款名为DeepSeek-OCR的新型模型，该模型通过图像技术革新了数据存储方式，仅需传统方法十分之一的token，即可实现同等信息量的存储。这一突破性成果引发了全球科技界的广泛关注，甚至被业内人士戏称为“让信息论创始人香农和计算机之父冯·诺伊曼都为之侧目”的技术。
与传统OCR技术不同，DeepSeek-OCR实现了逆向创新：将海量文字信息转化为图像进行存储。这种技术路径的转变源于一个简单观察——单张图片包含的信息量远超等量文字描述。例如，在文档理解测试中，该模型仅用100个视觉token就超越了需要256个token的GOT-OCR 2.0模型，在更复杂场景下，800个token的表现更是远超平均需要6000+token的MinerU 2.0模型。
技术团队设计了多层级存储方案：简单文档仅需64个视觉token，内容复杂的页面会自动切换至400个token的Large模式，更可动态启用Gundam模式实现自适应存储。这种分级机制不仅优化了存储效率，更带来意想不到的副作用——模型能自动识别并转换图表数据为Excel格式，将分子结构图转化为标准SMILES代码，甚至能精准定位图片在文档中的位置及其周边文字信息。
这项创新恰好解决了AI训练领域的核心痛点：高质量数据匮乏。传统方法只能提取文档中的文字信息，而图表、插图等二维数据长期被忽视。DeepSeek-OCR的出现，使得单张A100显卡每日即可处理20万页文档，相当于为模型开辟了全新的数据矿藏。更关键的是，图像存储方式使token使用量缩减至原来的十分之一，在压缩20倍的情况下仍能保持60%的准确率，仅损失3.5%的性能就实现了存储效率的十倍提升。
研究团队在实验中发现了有趣的现象：模型采用不同清晰度存储图像的方式，与人类记忆的遗忘曲线高度相似。新近信息以“4K HDR”格式存储，随着时间推移自动降级为480P格式，这种动态调整机制或许能为提升模型上下文处理能力提供新思路。虽然目前尚未得出明确结论，但开源社区已开始围绕这一方向展开探索。
该项目的开源特性加速了技术演进，其训练数据融合了华为Wukong数据集，文字生成借助百度PaddleOCR，图像特征提取采用meta开源的SAM模型，视觉语义理解则整合了OpenAI的CLIP技术。这种跨机构的技术协作，最终催生出能够“用图像思考”的新型AI架构，为多模态大模型的发展开辟了全新路径。
