机器之心报道

机器之心编辑部

我们或许能通过文本到图像的方法实现近 10 倍无损上下文压缩。

没想到吧，DeepSeek 刚刚开源了新模型，还是一款 OCR 模型。可以看到，该模型的参数量为 3B，刚上线不久就已经有 100 多次下载量了。

该项目由 DeepSeek 三位研究员 Haoran Wei、Yaofeng Sun、Yukun Li 共同完成。其中一作 Haoran Wei 曾在阶跃星辰工作过，曾主导开发了旨在实现「第二代 OCR」的 GOT-OCR2.0 系统（arXiv:2409.01704），该项目已在 GitHub 收获了超 7800 star。也因此，由其主导 DeepSeek 的 OCR 项目也在情理之中。

• 论文标题：DeepSeek-OCR: Contexts Optical Compression
• 项目地址：https://github.com/deepseek-ai/DeepSeek-OCR
• 论文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
• Hugging Face：https://huggingface.co/deepseek-ai/DeepSeek-OCR

DeepSeek 表示，DeepSeek-OCR 模型是通过光学二维映射技术压缩长文本上下文可行性的初步探索。

该模型主要由 DeepEncoder 和 DeepSeek3B-MoE-A570M 解码器两大核心组件构成。其中 DeepEncoder 作为核心引擎，既能保持高分辨率输入下的低激活状态，又能实现高压缩比，从而生成数量适中的视觉 token。

实验数据显示，当文本 token 数量在视觉 token 的 10 倍以内（即压缩率 <10×）时，模型的解码（OCR）精度可达 97%；即使在压缩率达到 20× 的情况下，OCR 准确率仍保持在约 60%。

这一结果显示出该方法在长上下文压缩和 LLM 的记忆遗忘机制等研究方向上具有相当潜力。

此外，DeepSeek-OCR 还展现出很高的实用价值。在 OmniDocBench 基准测试中，它仅使用 100 个视觉 token 就超过了 GOT-OCR2.0（每页 256 个 token） 的表现；同时，使用不到 800 个视觉 token 就优于 MinerU2.0（平均每页超过 6000 个 token）。在实际生产环境中，单张 A100-40G GPU 每天可生成超过 20 万页（200k+） 的 LLM/VLM 训练数据。

DeepSeek-OCR 在端到端模型测试中以最少的视觉 token 数达到了最先进的性能。

DeepSeek-OCR：上下文光学压缩

DeepSeek 探索的方法概括起来就是：利用视觉模态作为文本信息的高效压缩媒介。

什么意思呢？我们知道，一张包含文档文本的图像可以用比等效文本少得多的 Token 来表示丰富的信息，这表明：通过视觉 Token 进行光学压缩可以实现高得多的压缩率。

基于这一洞见，DeepSeek 从以 LLM 为中心的视角重新审视了视觉语言模型 (VLM)，其中，他们的研究重点是：视觉编码器如何提升 LLM 处理文本信息的效率，而非人类已擅长的基本视觉问答 (VQA) 任务。

DeepSeek 表示，OCR 任务作为连接视觉和语言的中间模态，为这种视觉 - 文本压缩范式提供了理想的试验平台，因为它在视觉和文本表示之间建立了自然的压缩 - 解压缩映射，同时提供了可量化的评估指标。

DeepSeek-OCR 便由此而生。这是一个为实现高效视觉 - 文本压缩而设计的 VLM。

如下图所示，DeepSeek-OCR 采用了一个统一的端到端 VLM 架构，由一个编码器和一个解码器组成。

其中，编码器 (即 DeepEncoder) 负责提取图像特征，并将视觉表示进行 Token 化和压缩。解码器则用于根据图像 Token 和提示词 (prompt) 生成所需的结果。

DeepEncoder 的参数量约为 3.8 亿 (380M)，主要由一个 80M 的 SAM-base 和一个 300M 的 CLIP-large 串联而成。解码器采用 3B MoE 架构，激活参数量为 5.7 亿 (570M)。

DeepEncoder

DeepSeek 研究发现，为了探索上下文光学压缩的可行性，我们需要一个具备以下特点的视觉编码器：

1. 能够处理高分辨率；

2. 在高分辨率下激活值低；

3. 视觉 Token 数量少；

4. 支持多分辨率输入；

5. 参数量适中。

然而，现有的开源编码器无法完全满足所有这些条件。因此，DeepSeek 自行设计了一款新颖的视觉编码器，命名为 DeepEncoder。

DeepEncoder 主要由两个组件构成：一个以窗口注意力为主的视觉感知特征提取组件，以及一个采用密集全局注意力的视觉知识特征提取组件。

基于之前相关研究的预训练成果，该团队分别使用 SAM-base (patch 大小为 16) 和 CLIP-large 作为这两个组件的主要架构。

对于 CLIP，他们移除了其第一个 patch 嵌入层，因为它的输入不再是图像，而是来自前一个流程的输出 Token。在两个组件之间，该团队借鉴了 Vary 的设计（参阅论文《Vary: Scaling up the vision vocabulary for large vision-language model》），使用了一个 2 层的卷积模块对视觉 Token 进行 16 倍的下采样。每个卷积层的核大小为 3，步长为 2，填充为 1，通道数从 256 增加到 1024。假设我们输入一张 1024×1024 的图像，DeepEncoder 会将其分割成 1024/16 x 1024/16 = 4096 个 patch Token。

由于编码器的前半部分主要由窗口注意力构成，且参数量仅为 80M，因此其激活值是可接受的。在进入全局注意力之前，这 4096 个 Token 会经过压缩模块，数量变为 4096/16 = 256，从而使得整体的激活内存变得可控。

MoE 解码器

该模型的解码器使用了 DeepSeekMoE ，具体为 DeepSeek-3B-MoE。

在推理过程中，模型会激活 64 个路由专家中的 6 个以及 2 个共享专家，激活参数量约为 5.7 亿 (570M)。3B 的 DeepSeekMoE 非常适合以领域为中心 (这里即为 OCR) 的 VLM 研究，因为它在获得 3B 模型表达能力的同时，也享有了 5 亿 (500M) 参数量小模型的推理效率。

解码器从 DeepEncoder 压缩后的潜在视觉 Token 中重建原始文本表示，过程如下：

其中 Z 是来自 DeepEncoder 的压缩后潜在 (视觉) Token，而 是重建的文本表示。函数 f_dec 代表一个非线性映射，紧凑的语言模型可以通过 OCR 风格的训练来有效地学习它。DeepSeek 推测认为：大语言模型通过专门的预训练优化，将能更自然地集成这类能力。

数据引擎

DeepSeek 也为 DeepSeek-OCR 构建了复杂多样的训练数据，包括：

• OCR 1.0 数据，主要包含传统 OCR 任务，如场景图像 OCR 和文档 OCR；
• OCR 2.0 数据，主要包括复杂人造图像的解析任务，如常见图表、化学分子式和平面几何解析数据；
• 通用视觉数据，主要用于为 DeepSeek-OCR 注入一定的通用图像理解能力，并保留通用的视觉接口。

数据方面，DeepSeek 还进行了更多有利于 OCR 任务的设计，详情请参阅原论文。

训练流程

该模型的训练流程非常简单，主要包括两个阶段：

• 独立训练 DeepEncoder
• 训练 DeepSeek-OCR

DeepEncoder 的训练遵循 Vary 的方法，利用一个紧凑的语言模型并采用下一个 Token 预测的框架来训练 DeepEncoder。

在此阶段，DeepSeek 使用了前文提到的所有 OCR 1.0 和 2.0 数据，以及从 LAION 数据集中采样的 1 亿条通用数据。所有数据均使用 AdamW 优化器和余弦退火调度器进行训练，共训练 2 个 epoch，批处理大小为 1280，学习率为 5e-5。训练序列长度为 4096。

在 DeepEncoder 准备就绪后，再训练 DeepSeek-OCR。整个训练过程在 HAI-LLM 平台上进行。整个模型采用了流水线并行 (PP)，并被分为 4 个部分，其中 DeepEncoder 占用两部分，解码器占用两部分。

对于 DeepEncoder，DeepSeek 将 SAM 和压缩器视为视觉 Tokenizer，放置在 PP0 上并冻结其参数；同时将 CLIP 部分视为输入嵌入层，放置在 PP1 上，其权重不冻结并参与训练。对于语言模型部分，由于 DeepSeek3B-MoE 有 12 层，他们在 PP2 和 PP3 上各放置 6 层。

他们使用 20 个节点 (每个节点配备 8 个 A100-40G GPU) 进行训练，数据并行 (DP) 度为 40，全局批处理大小为 640。优化器为 AdamW，配合基于步数 (step-based) 的调度器，初始学习率为 3e-5。对于纯文本数据，训练速度为每天 900 亿 Token；对于多模态数据，训练速度为每天 700 亿 Token。

实验结果

视觉 - 文本压缩

研究选用了 Fox 基准数据集来验证 DeepSeek-OCR 在文本密集型文档上的压缩与解压能力。

如表 2 所示，在 10× 压缩比的情况下，模型的解码精度可达约 97%。

当压缩比超过 10× 时，性能开始下降，他们猜测可能有两个原因：

• 长文档的版面布局更复杂，导致信息分布不均；
• 在 512×512 或 640×640 分辨率下，长文本会变得模糊。

当压缩比接近 20× 时，作者发现模型的精度仍可达到约 60%。

OCR 实际性能

DeepSeek-OCR 不仅是一个实验性模型，还具备很强的实用能力。结果如表 3 所示。

具体而言：

• 在仅使用 100 个视觉 token（分辨率 640×640） 的情况下，DeepSeek-OCR 的表现超越了使用 256 个 token 的 GOT-OCR2.0 ；
• 当使用 400 个视觉 token（其中有效 token 为 285，分辨率 1280×1280） 时，其性能已可与当前 SOTA 模型相当；
• 进一步地，在使用不到 800 个视觉 token（即 Gundam 模式） 时，DeepSeek-OCR 的性能超过了 MinerU2.0 ，后者需要近 7,000 个视觉 token。

这些结果表明，DeepSeek-OCR 在实际应用中表现出极强的性能与效率，并且由于其更高的 token 压缩率，具有更高的研究潜力与扩展空间。

表 4 结果表明，不同类型文档对视觉 token 的需求差异较大：

• 对于幻灯片类文档，仅需 64 个视觉 token 即可达到令人满意的识别效果；
• 对于书籍和报告类文档，100 个视觉 token 即可取得较好表现。

定性研究

图 7、图 8、图 9、图 10 所示，模型能够对图表、几何图形、化学公式，甚至自然图像进行深度解析，只需使用一个统一的提示词（prompt）即可完成。

多语言识别：针对 PDF 文档，DeepSeek-OCR 支持近 100 种语言的识别。

如图 11 所示展示了 DeepSeek-OCR 在阿拉伯语（Arabic） 与僧伽罗语（Sinhala） 的可视化识别结果。

通用视觉理解：此外，DeepSeek-OCR 还具备一定程度的通用图像理解能力，相关的可视化结果如图 12 所示。