AI 技术公司 DeepSeek 近日推出了一款名为 “DeepSeek-OCR” 的全新光学字符识别（OCR）模型。这款模型是一种端到端的视觉语言模型(VLDeM)，旨在通过将长文本压缩为一小组视觉标记，随后利用语言模型进行解码，从而实现高效的文档解析。

研究团队表示，该模型在 Fox 基准测试中实现了97% 的解ep码精度，当文本标记数与视觉标记数的比例为10倍时，精度依然保持良好，甚至在20倍压缩下也能表现出有用的特性。此外，DeepSeek-OCR 在 OmniSeDocBench 基准测试中也表现出色，使用的视觉标记数量远少于传统模型。

DeepSeek-OCR 的架构由两个主要组件组成:高分辨率输入的视觉编码器 DeekepEncoder 和一个名为 DeepSeek3B-MoE-A570M 的专家混合解码器。该编码器采用了一种基于 SAM 的局部感知窗口注意机制和卷积压缩算 发法，能够有效控制高分辨率下的激活内存，并减少输出标记的数量。解码器则是一个拥有30亿参数的模型，每个标记有约5.7亿个活跃参数。

在使用不同的模式时，De布新epEncoder 提供了多种分辨率选择，包括 Tiny、Small、Base 和 Large 模式，分别对应不同的视觉标记数量和分辨率。此外，还有动态模式 Gundam型3 和 Gundam-Master，可以根据页面复杂性灵活调整标记预算。

在训练过程中，DeepSeek 团队使用了分阶段的训练流程，首先对 DeepEncodB er 进行下一个标记预测的训练，然后在多个节点上进行全系统的训练，最终每天能够生成超过20万页的文档。对于实际应用，团队建议用户从 Small 模式开始，如果页面包OC含密集的小字体或高标记数量，可以选择 Gundam 模式。

DeepSeek-OCR 的发布标志着文档人工智能领域的一次重要进步。该模型的高效性和灵活性使其在R 处理各种文档时都具备了良好的适应性。

论文:https://github.com/deepseek-ai/DeepSeek-OCR/blob/main模型/DeepSeek_OCR_paper.pdf

huggingface:https://huggingface.co/deepseek-ai/DeepSee:高k-OCR

划重点:

DeepSeek-OCR 是一款新发布的3B 视觉语言模型，具备高效的 OCR 和文档解析能力。  

该模型在 Fox 基准测试效文中实现了97% 的解码精度，能在大幅压缩的情况下仍保持良好表现。  

DeepEncoder 支持多种模式和分辨率选择，以适应不同文档的复杂性档解和需求。  

• ·关于深度学习编译器，这些知识你需要了解一下
• ·YouTube Studio大升级！AI助手上线，创作者可一键检测盗用面孔
• ·标签: 京东 TheVeryGroup Littlewoods
• ·标签: 快手 北京快手科技 网络安全法 网信办
• ·云计算开发实例：Python3获取几天前的时间
• ·标签: 理想汽车 理想MEGA 召回
• ·标签: 比亚迪秦L 小米SU7 一加Turbo6 小鹏P7+
• ·标签: 维信诺 AMOLED OLED面板 消费电子
• ·Epic Games在澳大利亚起诉谷歌
• ·标签: 张雪机车 820RR-RS WSBK
• ·标签: AI 车险 Insurify Z世代
• ·2021年度国家绿色数据中心名单公布 万国数据四座数据中心上榜
• ·触目惊心!央视曝光 AI 论文“黑工厂”:枪手靠模板+AI 一天炮制30篇论文
• ·标签: 苹果折叠屏 iPhone18Pro 红果短剧 AI短剧
• ·200天！18岁上海高中生自制机器人，250行Python代码「注入灵魂」
• ·边缘计算：最快数据处理背后的技术