据《南华早报》报道，中国深度求索（Deepseek AI）的开发者发布了一款新模型，通过将复杂文档和大段文本先转换为图像，利用其多模态能力显著提升处理效率。视觉编码器能够将海量文本转化为图像，后续调用时所需标记数量可减少7至20倍，同时仍能保持惊人的准确度。
深度求索是中国开发的AI系统，曾在2025年初凭借与OpenAI的ChatGPT或谷歌Gemini相媲美的能力震惊世界，而其开发所需的资金和数据量却远低于后者。研发团队持续致力于提升AI效率，最新发布的DeepSeek-OCR（光学字符识别）技术能够在显著降低标记消耗的前提下，实现对海量文本数据的精准解析。
开发者表示：“通过DeepSeek-OCR，我们证明了视觉文本压缩技术能在不同历史语境阶段实现7至20倍的标记量缩减，这为处理长上下文计算提供了前景广阔的新路径。”
新模型由DeepEncoder和作为解码器的DeepSeek3B-MoE-A570M两大组件构成。编码器可将大量文本数据转换为高分辨率图像，而解码器则擅长从这些高分辨率图像中解析文本语境，其所需标记量远低于直接输入原始文本。该技术通过将每个任务分解至独立子网络，并调用特定AI智能体专家处理不同数据子集来实现这一突破。
该技术对处理表格数据、图表及其他可视化信息表现尤为出色。开发者指出，这在金融、科研及医疗领域具有特殊应用价值。在基准测试中，开发者宣称当标记量缩减倍数低于10倍时，DeepSeek-OCR的信息解码准确率可保持在97%；若压缩比提升至20倍，准确率则会降至60%。虽然这显示出技术收益递减的局限，但即便仅实现1-2倍压缩率且保持接近100%的准确率，仍将对降低最新AI模型的运行成本产生重大影响。
该技术亦被提议作为未来模型的训练数据开发方案，不过在训练阶段引入误差——即使仅有几个百分点的偏差——似乎并非明智之举。若想亲自体验该模型，可通过在线开发者平台Hugging Face和GitHub获取。
