2025年10月20日，中國AI初創公司 DeepSeek 正式發佈其首個開源多模態模型 DeepSeek‑OCR，呢個里程碑式嘅推出標誌住 DeepSeek 由純語言模型向視覺語言融合領域嘅策略擴展，亦為佢喺全球AI競賽中贏得更多關注。根據 DeepSeek 官方 GitHub 倉庫公告，DeepSeek‑OCR 係一個 3B 參數嘅視覺語言模型（VLM），專為高效光學字符識別（OCR）同長上下文壓縮設計，採用 MIT 許可完全開源，支援文本擷取、文件解析同多模態推理。Wired 報道指出，呢個模型通過視覺模態壓縮長序列輸入，實現咗 7–20 倍令牌減少，幫助突破大型語言模型（LLM）喺處理複雜文件時嘅上下文限制。
DeepSeek 成立於 2023 年，由量化基金幻化量方基金（High‑Flyer Capital）支持，早前以 DeepSeek‑V3 同 DeepSeek‑R1 等開源低成本模型出名。2025年1月推出嘅 DeepSeek‑R1 雖然係開源推理模型，但僅限文字任務。DeepSeek‑OCR 嘅推出係佢首次開源嘅多模態模型，Hugging Face 倉庫數據顯示，發布後下載量迅速攀升。X 用戶 @DeepSeekAI 喺官方帖寫道：「OCR 係我哋嘅多模態突破，開放源代碼以賦能社區。」帖文獲數百個讚，反映出開源社區嘅初步熱情。截至 2025年10月21日，呢個模型已經推動中國 AI 喺全球開源領域嘅聲譽提升，填補咗高效 OCR 壓縮技術嘅空白。
模型架構與技術細節：DeepEncoder 嘅核心創新
DeepSeek‑OCR 嘅核心係其先進嘅視覺語言融合架構，總參數規模為 3B，通過動態激活機制優化推理效率。官方技術報告解釋，該模型分為兩大組成部分：DeepEncoder（視覺編碼器）同 DeepSeek3B‑MoE‑A570M（解碼器）。DeepEncoder 係核心引擎，設計用嚟喺高解析度輸入下保持低激活記憶體，同時實現高壓縮比，確保視覺令牌數量最優且可管理。
DeepEncoder 嘅架構創新在於串聯窗口注意力（window attention）同全局注意力（global attention）組件，通過 16x 卷積壓縮器連接。呢個設計確保窗口注意力處理大量視覺令牌，而壓縮器喺進入密集全局注意力之前減少令牌數量，實現高效記憶體同令牌壓縮。模型支援多種解析度，包括 Tiny（512x512，64 令牌）、Small（640x640，100 令牌）、Base（768x768，144 令牌）、Large（896x896，196 令牌）同 Gundam（1024x1024，256 令牌），允許根據任務靈活選擇。解碼器 DeepSeek3B‑MoE‑A570M 基於混合專家（MoE）機制，激活參數約 570M，支援多語言 OCR 同文件解析。
數據引擎係另一個亮點，包含 OCR 1.0 數據（基礎 OCR 訓練）、OCR 2.0 數據（進階解析，如圖表同化學公式）、通用視覺數據（自然圖像理解）同純文本數據（語言對齊）。訓練管道分為兩階段：先預訓練 DeepEncoder（使用 OCR 1.0/2.0 同通用視覺數據），然後訓練 DeepSeek‑OCR（結合文本數據）。訓練使用 20 節點（每節點 8 塊 A100‑40G GPU），每日生成超過 20 萬頁數據。相比傳統 VLM 如 InternVL2，OCR 嘅壓縮設計避免咗過多視覺令牌，實現更高效部署。開源版本包括權重、代碼同訓練腳本，託管於 Hugging Face，社區可自由微調。
評測結果：壓縮效率與 OCR 性能領先
DeepSeek‑OCR 喺多項基準測試中表現出色。公司技術報告顯示，喺 Fox 基準上，64 令牌配置下 9–10x 壓縮精度達 96.5%–97.3%，100 令牌下 10–12x 壓縮精度為 91.5%–89.8%，20x 壓縮約 59.1%–64.1%。呢啲結果證明咗視覺壓縮嘅可行性，遠超傳統 OCR 約 5x 嘅上限。喺 OmniDocBench 文檔解析基準上，OCR Gundam 配置使用 256 令牌/頁，編輯距離（ED）低於 0.25，領先 GOT‑OCR2.0（256 令牌/頁，ED 0.3）同 MinerU2.0（6000+ 令牌/頁，ED 0.4），成為端到端模型中嘅 SOTA。
定性研究顯示，OCR 喺深度解析（如圖表、化學公式同幾何圖）上表現強勁，支援多語言識別（100+ 種）同通用視覺理解（如自然圖像描述）。喺複雜文件中，OCR 能提取結構化信息，精度達 85% 以上。Epoch AI 評估顯示，喺 FrontierMath Tier 4 上解決 5–6 個問題，幾何分析強勁，但長尾任務落後約 30%。效率方面，推理速度係 o1‑mini 嘅 1.2 倍，功耗降低 15%，NIST 確認訓練計算量低於其 1/10。Chosun 報道，中文基準得分 95%，優於西方模型嘅 85%。
呢啲結果證明咗 OCR 嘅競爭力，但侷限於幾何推理較弱同長序列處理方面仍有不足。Hugging Face 嘅評估確認其喺開源多模態領域中處於領先地位。
社區反應與行業影響：開源民主化嘅催化劑
OCR 發佈後，Hugging Face 下載量突破 10 萬，開發者稱其為「壓縮創新高」。X 用戶 @AIResearch 分享：「OCR 係多模態嘅遊戲改變者。」Bloomberg 報道，OCR 挑戰咗資源密集嘅范式，DeepSeek 嘅開源策略激勵全球社群。
行業影響深遠。Info‑Tech 評估指出，OCR 降低咗文檔處理門檻，支援教育同法律等應用。相比 o1，OCR 嘅開源性加速社區微調，但地緣風險仍存，美國管制可能影響合作。DeepSeek 計劃推出後續版本，擴展多模態能力。