DeepSeek提出光学压缩，用视觉token代替文字token，实现高效长文档处理
解读《DeepSeek-OCR: Contexts Optical Compression》
你有没有觉得，虽然现在的AI（比如大语言模型）越来越聪明，但它们有个大问题：记性“太好”了，也好得“太死板”了。
你给它一份100页的PDF报告，它会一个字一个字地去读、去比较。这不仅慢得要命，而且计算成本高到飞起。这就像你让一个人去背诵整本电话黄页，而不是让他“查一下”某个人的号码。
为什么会这样？因为AI处理文本时，工作量是“平方级”增长的。意思是，文本长度翻一倍，AI的工作量（和成本）不是翻一倍，而是翻四倍（2x2）。文本翻10倍，工作量就翻100倍！
这导致了一个核心矛盾：我们既希望AI能“过目不忘”，处理超长文档，又承受不起这种“暴力记忆”带来的恐怖算力消耗。
那么，有没有“捷径”可走？
来自 DeepSeek 的几位研究者提出了一个堪称“作弊”的绝妙思路。他们在论文《DeepSeek-OCR：上下文光学压缩》中问了一个颠覆性的问题：
**“我们为什么非要让AI‘阅读’文字呢？我们能不能让它‘看’文字？”**
---
把1000个单词，压缩成一个“视觉ZIP包”
你没听错。他们的想法是，别再一个一个地把“文字token”（可以理解为单词或字符）喂给AI了，而是先把整页文档“拍一张照片”，然后把这张高分辨率图片喂给AI。
这个过程，他们称之为“光学压缩”(Optical Compression)。
为了实现这个想法，他们打造了一个新模型，叫做 DeepSeek-OCR。它就像一个高效的“两段式”系统：
* 一个超级“眼睛”（DeepEncoder）：这可不是普通的OCR扫描。这个“眼睛”会查看高分辨率的文档图片，然后用一种极其聪明的办法，把整页的视觉信息……“压缩”！它会把满页的文字，压缩成极其少量的“视觉token”。
* 一个解码“大脑”（DeepSeek3B-MoE）：这个“大脑”接收来自“眼睛”的、被高度压缩的“视觉token”，然后负责把这些浓缩的信息“解压”还原成原始的文本。
打个比方：传统方法是给AI发送一个10MB的Word文档，让它逐字阅读。而DeepSeek-OCR的方法是，先把这个文档拍成一张“照片”，然后用一个超级压缩算法，把照片压缩成一个仅仅1MB的“视觉ZIP包”。AI的“大脑”只需要接收这个小小的ZIP包，就能完美还原出原来的10MB文档内容。
---
效果好到“离谱”
这个“视觉ZIP包”到底有多小？还原效果又有多好？
论文的数据给出了惊人的答案：
* 10倍压缩，97%的精度！实验显示，当“文字token”的数量是“视觉token”的10倍以内时（比如把1000个单词压缩成100个视觉单位），模型“解压”还原文字的精度高达97%。
* 20倍压缩，依然可用！即便是在接近20倍的极限压缩下（比如把1200多个单词硬塞进64个视觉单位），模型的准确率竟然还能保持在60%左右。这就像你只看一眼超级模糊的缩略图，就能猜出原图的大部分内容。
在实际的文档处理基准测试（OmniDocBench）上，DeepSeek-OCR只用了100个视觉token，就超过了使用256个token的GOT-OCR2.0；它用了不到800个token，就击败了需要近7000个token的MinerU2.0！
这证明了：让AI“看”图片，真的比“读”文字要高效得多。
---
“所以呢？”——这不仅是OCR，这是“AI记忆”的革命
你可能会说，这不就是个更牛的OCR（文字识别）工具吗？
不，这只是它最表层的价值。这项技术真正打开的，是通往“AI长时记忆”的大门。
还记得我们开头说的吗？AI的“死板记忆”是个大问题。它们要么“全记住”（成本爆炸），要么“全忘掉”（上下文丢失）。
但我们人类的记忆不是这样的。
我们对“刚刚发生”的事（比如你刚说的话）记得“极其清楚”；对“1天前”的事记得“比较清楚”；而对“1周前”的事，我们只记得一个“模糊的大概”。
这是一种“渐进式遗忘”，它不是缺陷，而是我们大脑高效运行的核心机制！
而DeepSeek-OCR的“光学压缩”，第一次让我们有可能在AI身上模拟这种机制：
* 对于“现在”的对话：AI使用原始的“文字token”，保持100%的“晶莹剔透”（Crystal Clear）。
* 对于“1小时前”的对话：AI不存储文字了，而是把它“拍”成一张高分辨率图片，用“Large”模式压缩。信息被压缩了10倍，但依然“非常清晰”（Very Clear）。
* 对于“1天前”的对话：AI把那张高分辨率图片，进一步降采样，用“Base”模式压缩。信息变得“清晰”（Clear），但有些模糊。
* 对于“1周前”的对话：AI再次压缩，用“Tiny”模式。信息被压缩了20倍，变得“非常模糊”（Very Blurry）。
看，这就是AI的“遗忘曲线”！
AI不再需要“删除”旧记忆，它只是把旧记忆“压缩”得越来越狠，占用的“脑容量”（token）越来越少。这样，AI就能把宝贵的“注意力”放在当下，同时又保留了对遥远过去的“模糊印象”。
---
从“过目不忘”到“重点分明”
DeepSeek-OCR这篇论文的真正意义，是为“AI长上下文”问题提供了一个全新的、优雅的解决方案。
与其疯狂地扩展AI的“内存条”（增加上下文窗口），不如给AI装上一个“视觉压缩器”，让信息自己“变小”。
这不仅是一个更强的OCR工具，它更是一种对AI记忆机制的深刻反思——从“过目不忘”的蛮力，转向“重点分明”的智慧。
这为未来实现“理论上无限上下文”的AI架构，铺平了道路。
----
本文 Gemini 生成，提示词：见引用推文
原始会话：https://t.co/O1g3k63cr0
你有没有觉得，虽然现在的AI（比如大语言模型）越来越聪明，但它们有个大问题：记性“太好”了，也好得“太死板”了。
你给它一份100页的PDF报告，它会一个字一个字地去读、去比较。这不仅慢得要命，而且计算成本高到飞起。这就像你让一个人去背诵整本电话黄页，而不是让他“查一下”某个人的号码。
为什么会这样？因为AI处理文本时，工作量是“平方级”增长的。意思是，文本长度翻一倍，AI的工作量（和成本）不是翻一倍，而是翻四倍（2x2）。文本翻10倍，工作量就翻100倍！
这导致了一个核心矛盾：我们既希望AI能“过目不忘”，处理超长文档，又承受不起这种“暴力记忆”带来的恐怖算力消耗。
那么，有没有“捷径”可走？
来自 DeepSeek 的几位研究者提出了一个堪称“作弊”的绝妙思路。他们在论文《DeepSeek-OCR：上下文光学压缩》中问了一个颠覆性的问题：
**“我们为什么非要让AI‘阅读’文字呢？我们能不能让它‘看’文字？”**
---
把1000个单词，压缩成一个“视觉ZIP包”
你没听错。他们的想法是，别再一个一个地把“文字token”（可以理解为单词或字符）喂给AI了，而是先把整页文档“拍一张照片”，然后把这张高分辨率图片喂给AI。
这个过程，他们称之为“光学压缩”(Optical Compression)。
为了实现这个想法，他们打造了一个新模型，叫做 DeepSeek-OCR。它就像一个高效的“两段式”系统：
* 一个超级“眼睛”（DeepEncoder）：这可不是普通的OCR扫描。这个“眼睛”会查看高分辨率的文档图片，然后用一种极其聪明的办法，把整页的视觉信息……“压缩”！它会把满页的文字，压缩成极其少量的“视觉token”。
* 一个解码“大脑”（DeepSeek3B-MoE）：这个“大脑”接收来自“眼睛”的、被高度压缩的“视觉token”，然后负责把这些浓缩的信息“解压”还原成原始的文本。
打个比方：传统方法是给AI发送一个10MB的Word文档，让它逐字阅读。而DeepSeek-OCR的方法是，先把这个文档拍成一张“照片”，然后用一个超级压缩算法，把照片压缩成一个仅仅1MB的“视觉ZIP包”。AI的“大脑”只需要接收这个小小的ZIP包，就能完美还原出原来的10MB文档内容。
---
效果好到“离谱”
这个“视觉ZIP包”到底有多小？还原效果又有多好？
论文的数据给出了惊人的答案：
* 10倍压缩，97%的精度！实验显示，当“文字token”的数量是“视觉token”的10倍以内时（比如把1000个单词压缩成100个视觉单位），模型“解压”还原文字的精度高达97%。
* 20倍压缩，依然可用！即便是在接近20倍的极限压缩下（比如把1200多个单词硬塞进64个视觉单位），模型的准确率竟然还能保持在60%左右。这就像你只看一眼超级模糊的缩略图，就能猜出原图的大部分内容。
在实际的文档处理基准测试（OmniDocBench）上，DeepSeek-OCR只用了100个视觉token，就超过了使用256个token的GOT-OCR2.0；它用了不到800个token，就击败了需要近7000个token的MinerU2.0！
这证明了：让AI“看”图片，真的比“读”文字要高效得多。
---
“所以呢？”——这不仅是OCR，这是“AI记忆”的革命
你可能会说，这不就是个更牛的OCR（文字识别）工具吗？
不，这只是它最表层的价值。这项技术真正打开的，是通往“AI长时记忆”的大门。
还记得我们开头说的吗？AI的“死板记忆”是个大问题。它们要么“全记住”（成本爆炸），要么“全忘掉”（上下文丢失）。
但我们人类的记忆不是这样的。
我们对“刚刚发生”的事（比如你刚说的话）记得“极其清楚”；对“1天前”的事记得“比较清楚”；而对“1周前”的事，我们只记得一个“模糊的大概”。
这是一种“渐进式遗忘”，它不是缺陷，而是我们大脑高效运行的核心机制！
而DeepSeek-OCR的“光学压缩”，第一次让我们有可能在AI身上模拟这种机制：
* 对于“现在”的对话：AI使用原始的“文字token”，保持100%的“晶莹剔透”（Crystal Clear）。
* 对于“1小时前”的对话：AI不存储文字了，而是把它“拍”成一张高分辨率图片，用“Large”模式压缩。信息被压缩了10倍，但依然“非常清晰”（Very Clear）。
* 对于“1天前”的对话：AI把那张高分辨率图片，进一步降采样，用“Base”模式压缩。信息变得“清晰”（Clear），但有些模糊。
* 对于“1周前”的对话：AI再次压缩，用“Tiny”模式。信息被压缩了20倍，变得“非常模糊”（Very Blurry）。
看，这就是AI的“遗忘曲线”！
AI不再需要“删除”旧记忆，它只是把旧记忆“压缩”得越来越狠，占用的“脑容量”（token）越来越少。这样，AI就能把宝贵的“注意力”放在当下，同时又保留了对遥远过去的“模糊印象”。
---
从“过目不忘”到“重点分明”
DeepSeek-OCR这篇论文的真正意义，是为“AI长上下文”问题提供了一个全新的、优雅的解决方案。
与其疯狂地扩展AI的“内存条”（增加上下文窗口），不如给AI装上一个“视觉压缩器”，让信息自己“变小”。
这不仅是一个更强的OCR工具，它更是一种对AI记忆机制的深刻反思——从“过目不忘”的蛮力，转向“重点分明”的智慧。
这为未来实现“理论上无限上下文”的AI架构，铺平了道路。
----
本文 Gemini 生成，提示词：见引用推文
原始会话：https://t.co/O1g3k63cr0
“学术论文科普”提示词，把枯燥的学术论文变成通俗易懂的科普文。
注意：Gemini 2.5 Pro 效果最佳
---- 提示词开始 ---- https://t.co/TlSnuLDhk0