DeepSeek 发布 DeepSeek-OCR，探索上下文光学压缩

背景

语言模型以词元（token）序列的形式处理文本，长文档会产生很长的序列，处理起来成本高。文字识别（OCR，即光学字符识别）也面临相关的问题：大量文字往往以页面图像的形式出现，系统必须把图像重新转换为文字。深度求索的研究提出的问题是：图像本身能否成为长文本的紧凑载体。

发生了什么

2025 年 10 月 20 日，深度求索以 MIT 许可证发布了 DeepSeek-OCR^[1][2]。该模型用于探索公司所称的「上下文光学压缩」（contexts optical compression）：把长文本渲染成二维图像，让模型从数量少得多的视觉词元中读回内容^[2]。配套论文于 2025 年 10 月 21 日发布在 arXiv 上^[2]。

关键细节

系统由视觉编码器 DeepEncoder 和名为 DeepSeek3B-MoE-A570M 的解码器组成。解码器总参数约 30 亿，每一步激活约 5.7 亿参数^[2]。

论文的核心测量是压缩率与精度的关系。当文字词元数量在视觉词元的 10 倍以内时，OCR 解码精度约为 97%；压缩率达到 20 倍时，精度约为 60%^[2]。这一结果说明，该方法在适度压缩下较为准确，压缩率越高，精度下降越明显。

在 OmniDocBench 基准上，DeepSeek-OCR 以每页 100 个视觉词元超过了每页使用 256 个词元的 GOT-OCR2.0；它也以不到 800 个词元超过了每页使用 6000 多个词元的 MinerU2.0^[2]。

在生产场景中，该模型在单张 A100-40G GPU 上每天可以生成超过 20 万页的训练数据^[2]。这说明，用更少的词元读取文档，在大规模运行时成本更低。

影响

这次发布把研究想法变成了一个以开放许可证公开的模型，其他人可以对其进行测试。论文的对比表明，一页文档只需几百个视觉词元即可表示，而其他系统需要多得多的词元^[2]。压缩率与精度的关系也划出了清晰的边界：超过适度压缩后精度会明显下降，因此这一方法是一种权衡，而不是没有代价的节省^[2]。