LLM 救星？DeepSeek 推出 DeepSeek-OCR，Token 節省高達 90%

时间: 2026-06-29 点击数: 次

作者／手哥 HANDBRO

2025 年 10 月 21 日

刊登廣告? 點此聯絡

在處理長篇文本時，LLM 往往會因序列過長而消耗大量資源，DeepSeek-AI 最新發表的研究成果 —— DeepSeek-OCR 模型，他以「視覺壓縮」的創新方法，大幅降低 90% 以上的 Token 使用率，為解決 LLM 記憶負擔找出了一條新路。

而 DeepSeek-OCR 的創新點，就在於「把文件轉成圖片 → 圖片轉成極少量的 vision tokens → 再還原成原始文本」，這整個過程就是所謂的 Context Optical Compression（上下文視覺壓縮）。

透過這種方式，DeepSeek-OCR 能在不犧牲太多精度的前提下，將原始文字壓縮到 1/10 以下的 token 數量！這不只減少運算資源，也讓 LLM 能夠「吃下更多內容」而不胃痛。

核心架構：DeepEncoder + MoE 解碼器

DeepEncoder 是這次的壓縮主角，包含兩大部分：

它們中間透過一個 16 倍卷積壓縮模組連接，將視覺 token 數量大幅下降。例如 1024×1024 的圖像，原本要用 4096 個 token 表達，但經過壓縮後只剩 256 個 token，直接瘦身！

壓縮完還要能還原，這就交給 DeepSeek3B-MoE —— 一個激活參數僅 570M 的解碼器，具備大模型的表現力，小模型的效率感。

DeepSeek-OCR 支援多種解析模式，從最精簡的「Tiny 模式（64 tokens）」到頂規的「Gundam-M 模式（1853 tokens）」，像極了高達從初號機到最終形態的進化路線！

模式名稱	Resolution	Token 數量	適用情境
Tiny	512×512	64	投影片、書籍封面等簡單排版
Small	640×640	100	一般報告、教科書等中等複雜度
Base	1024×1024	256	科研報告、電子書等大量文字
Large	1280×1280	400	錯綜表格與複合排版資料
Gundam	動態切片模式	約 800	報紙、學術 PDF
Gundam-M	動態切片 + 高 DPI	1853	超大尺寸報表、雜誌內頁等

在 Fox benchmark 測試中，模型以 100 個 vision tokens 對應約 1000 個文字 tokens，仍可達到 97% 精度，壓縮比約 10×。當壓到 20× 時也還能保有約 60% 的辨識率，這代表在多輪對話或長文件應用中，可大幅節省 LLM 的「記憶開銷」。

DeepSeek-OCR 不只是「能看懂字」的 OCR 工具，它還能做更多：

深度解析：圖表與幾何結構一把罩
不只解析文本，還能辨識圖表（轉換為 HTML table）、化學式（轉為 SMILES 格式）、幾何圖形（結構化座標輸出），甚至能辨識自然圖片內容，支援多語言，達到真正的文件「全解析」。
多語言支持近百種
不論是阿拉伯文、僧伽羅語還是常見中英文，DeepSeek-OCR 都能處理，並支援 layout 模式與純文字輸出模式。
大規模資料生產能手
在生產應用上，DeepSeek-OCR 每天可生成超過 33 萬頁的訓練資料，非常適合當作大型模型預訓練的資料供應器。

最具創意的一點，是研究團隊把 DeepSeek-OCR 的壓縮特性用來模擬人類記憶的「遺忘機制」。越舊的上下文，轉換成圖像後再壓縮成模糊視覺 token，如此一來 LLM 就像人類一樣，記得最近的事比較清楚、過去的事只留模糊印象，這為「長期記憶管理」提供了全新想像空間。

DeepSeek-OCR 雖名為 OCR，但它讓我們重新審視了「圖片的價值」，證明了圖片真的可以「值一千字」，甚至可以幫助大型語言模型減負、加速、延長記憶力。

對於未來多模態模型的發展、長上下文處理、甚至是記憶模組的設計，DeepSeek-OCR 開啟了一條新的道路。DeepSeek 還可以直接將技術運用到以下這些應用上：

DeepSeek-OCR 模型論文
下載 DeepSeek-OCR (3B) 模型

發表評論：請輸入你的評論！姓名：* 請在這裡輸入你的名字電子郵件：* 您輸入了錯誤的電子郵件地址！請在此輸入您的電子郵件地址網址：

在我的瀏覽器中保存我的姓名，電子郵件和網站，以便下次評論。

新文章使用電子郵件通知我。