花木兰传奇（全文在线阅读）>
花木兰传奇DeepSeek又发新模型，小而美玩出新高度_我的网站
一 | 就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。虽然体量不大，但模型思路创新的力度着实不小。
二 | 8月25日消息，今年9月或将成为近年来手机行业新品最密集的一个月，多款新形态折叠屏、全新旗舰芯片以及新一代旗舰手机都将在这一时间段集中登场。 今日，数码博主“数码闲聊站”发文称，9月或许是机圈史上最激烈的新品月，高端折叠、旗舰芯片以及旗舰手机三条产品线都将迎来大规模更新。
三 | 众所周知，当前所有LLM处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。
四 | 序列越长，算力烧得越狠。 于是，DeepSeek团队想到了一个好办法。 首先是高端折叠屏市场。既然一张图能包含大量文字信息，而且用的Token还少，那不如直接把文本转成图像？这就是所谓的“光学压缩”——用视觉模态来给文本信息“瘦身”。 而OCR正好天然适合验证这个思路，因为它本身就是在做“视觉→文本”的转换，而且效果还能量化评估。 按照爆料，9月将迎来华为新一代三折叠、小米首款阔折叠以及苹果首款阔折叠产品，三大厂商将在高端折叠屏市场展开正面竞争。
五 | 论文显示，DeepSeek-OCR的压缩率能达到10倍，OCR准确率还能保持在97%以上。 啥意思呢？就是说，原本需要1000个文本Token才能表达的内容，现在只用100个视觉Token就搞定了。即使压缩率拉到20倍，准确率也还有60%左右，整体效果相当能打。 OmniDocBench基准测试结果显示： 只用100个视觉Token，就超过了GOT-OCR2.0（每页256个Token）的表现； 用不到800个视觉Token，干翻了MinerU2.0（平均每页超过6000个Token）。 在实际生产中，一块A100-40G显卡就能每天生成超过20万页的LLM/VLM训练数据。
六 | 20个节点（160块A100）直接飙到每天3300万页。 其中，华为已经官宣Mate XT 2将于9月7日发布，新一代三折叠手机届时正式登场。
七 | 小米方面，小米CEO雷军此前宣布9月将成为小米“科技大月”，月初澎程系列正式上市，同时带来小米18 Fold，月底则将发布小米18 Pro系列。 芯片领域同样堪称“神仙打架”。 DeepSeek-OCR由两个核心组件组成： DeepEncoder（编码器）：负责图像特征提取和压缩； DeepSeek3B-MoE（解码器）：负责从压缩后的视觉Token中重建文本。 让我们来重点说说DeepEncoder这个引擎。
八 | 它的架构很巧妙，通过把SAM-base（8000万参数）和CLIP-large（3亿参数）串联起来，前者负责“窗口注意力”提取视觉特征，后者负责“全局注意力”理解整体信息。 中间还加了个16×卷积压缩器，在进入全局注意力层之前把Token数量大幅砍掉。
九 | 举例而言，一张1024×1024的图像，会被切成4096个patch token。但经过压缩器处理后，进入全局注意力层的Token数量会大幅减少。 9月手机市场预计将迎来小米玄戒O3、苹果A20系列、联发科天玑9600系列、高通骁龙8E6系列以及华为麒麟2026τ芯片，多家厂商的新一代旗舰芯片将集中亮相。 其中，小米玄戒O3已率先发布，定位AI旗舰SoC，安兔兔跑分首次突破500万，其首发终端为小米18 Fold。 而在传统直板旗舰产品线上，9月同样会迎来一轮“机海战术”。 这样的好处是，既保证了处理高分辨率输入的能力，又控制住了激活内存的开销。 而且DeepEncoder还支持多分辨率输入，从512×512的Tiny模式（64个Token）到1280×1280的Large模式（400个Token），一个模型全搞定。 目前开源版本支持的模式包括原生分辨率的Tiny、Small、Base、Large四档，还有动态分辨率的Gundam模式，灵活性拉满。 根据目前消息，iPhone 18系列、vivo X500系列、OPPO Find X10系列、华为Mate 90系列、小米18系列、荣耀Magic9系列以及iQOO 16等新一代旗舰都有望在9月集中登场。 vivo方面已确认，X500系列将在9月正式发布，并将推出X500、X500 Pro、X500 Pro Max三款机型。
十 | 解码器用的是DeepSeek-3B-MoE架构。 从目前各家厂商的产品节奏来看，今年9月不仅旗舰手机数量众多，还叠加了折叠屏形态之争和新一代旗舰芯片集中换代。
十一 | 苹果、华为、小米、OPPO、vivo、荣耀、iQOO等主流厂商都将参与其中，手机行业也将提前进入新一轮旗舰大战。 别看只有3B参数，但采用了MoE（混合专家）设计——64个专家中激活6个，再加2个共享专家，实际激活参数约5.7亿。
【本文结束】如需转载请务必注明出处：
责任编辑：拾柒
文章内容举报
。这也让模型既有30亿参数模型的表达能力，又保持了5亿参数模型的推理效率。
解码器的任务就是从压缩后的视觉Token中重建出原始文本，这个过程可以通过OCR风格的训练被紧凑型语言模型有效学习。
数据方面，DeepSeek团队也是下了血本。
从互联网收集了3000万页多语言PDF数据，涵盖约100种语言，其中中英文占2500万页。
数据分两类：粗标注直接用fitz从PDF提取，主要训练少数语言的识别能力；精标注用PP-DocLayout、MinerU、GOT-OCR2.0等模型生成，包含检测与识别交织的高质量数据。
对于少数语言，团队还搞了个“模型飞轮”机制——先用有跨语言泛化能力的版面分析模型做检测，再用fitz生成的数据训练GOT-OCR2.0，然后用训练好的模型反过来标注更多数据，循环往复最终生成了60万条样本。
此外还有300万条Word文档数据，主要提升公式识别和HTML表格解析能力。
场景OCR方面，从LAION和Wukong数据集收集图像，用PaddleOCR标注，中英文各1000万条样本。
DeepSeek-OCR不仅能识别文字，还具备“深度解析”能力，只需一个统一的提示词，就能对各种复杂图像进行结构化提取：
图表：金融研究报告中的图表可以直接提取为结构化数据；
化学结构式：识别并转换为SMILES格式；
几何图形：对平面几何图形进行复制和结构化解析；
自然图像：生成密集描述（dense captions）。
这在STEM领域的应用潜力巨大，尤其是化学、物理、数学等需要处理大量符号和图形的场景。
第一作者Haoran Wei此前曾供职于阶跃星辰，期间发布并开源了GOT-OCR2.0系统
值得注意的是，DeepSeek团队在论文里还提出了一个脑洞大开的想法——用光学压缩模拟人类的遗忘机制。
人类的记忆会随时间衰退，越久远的事情记得越模糊。DeepSeek团队想，那能不能让AI也这样？于是，他们的方案是：
1. 把超过第k轮的历史对话内容渲染成图像；
2. 初步压缩，实现约10倍的Token减少；
3. 对于更久远的上下文，继续缩小图像尺寸；
4. 随着图像越来越小，内容也越来越模糊，最终达到“文本遗忘”的效果。
这就很像人类记忆的衰退曲线，近期信息保持高保真度，久远记忆自然淡化。
虽然这还是个早期研究方向，但如果真能实现，对于处理超长上下文将是个巨大突破——近期上下文保持高分辨率，历史上下文占用更少计算资源，理论上可以支撑“无限上下文”。
简言之，DeepSeek-OCR表面上是个OCR模型，但实际上是在探索一个更宏大的命题：能否用视觉模态作为LLM文本信息处理的高效压缩媒介？
初步答案是肯定的，7—20倍的Token压缩能力已经展现出来了。
当然，团队也承认这只是个开始。
十二 | 单纯的OCR还不足以完全验证“上下文光学压缩”，后续还计划开展数字–光学文本交替预训练、“大海捞针”式测试，以及其他系统性评估。 不过不管怎么说，这在VLM和LLM的进化路上，又多了一条新赛道。
十三 | 去年这个时候，大家还在卷怎么让模型“记得更多”。今年DeepSeek直接反其道行之，不如让模型学会“忘掉一些”。
十四 | 确然，AI的进化，有时候不是做加法，而是做减法。小而美，也能玩出大花样，DeepSeek-OCR这个3B小模型就是最好的证明。 GitHub主页：http://github.com/deepseek-ai/DeepSeek-OCR 论文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek\_OCR\_paper.pdf 模型下载：https://huggingface.co/deepseek-ai/DeepSeek-OCR 本文来自微信公众号：APPSO （ID：appsolution）。 Current article:http://www.bianhajieleigoukusunmen.pics/2d5h4/gf7.doc Published on:16:27:12 |
