从“光学压缩”到落地效率：大模型OCR很酷，但企业更需要专业OCR

DeepSeek又发新模型了，这次是一个OCR 模型。10月20日，DeepSeek在Github开源了这一新模型，并发布《DeepSeek-OCR：Contexts Optical Compression》（《DeepSeek OCR：上下文光学压缩》）论文，解释了这一成果。

论文提到，当前的大语言模型在处理过程中面临着重大的计算挑战，文本内容过长，因此团队探索了一种具有潜力的解决方案：利用视觉模态作为文本信息的高效压缩介质。

具体来说，这一OCR模型可以将文本压缩成视觉模态，所谓“一图胜千言”，这样可以消耗更少的Token，测试显示，通过文本到图像的方法可以实现近 10 倍无损上下文压缩，OCR 准确率还能保持在 97% 以上。

论文提到，在实际应用中，单张A100-40G显卡，可支持每日20万页以上的大语言模型/视觉语言模型训练数据生成。

简单来看，团队的思路是，既然一张图就能包含大量文字信息，同时用的 Token 更少，那就可以将文本转成图像，这就是题目中提到的“光学压缩”，用视觉模态压缩文本信息。这一结果显示出该方法在长上下文压缩和大模型的记忆遗忘机制等研究方向上具有相当潜力。

DeepSeek-OCR由两个核心组件组成，其中DeepEncoder（编码器）负责图像特征提取和压缩，DeepSeek3B-MoE（解码器）负责从压缩后的视觉 Token 中重建文本。

解码器用的是 DeepSeek-3B-MoE 架构。虽然只有 3B 参数，但采用了 MoE（混合专家）设计，64 个专家中激活 6 个，再加 2 个共享专家，实际激活参数约 5.7 亿。这也让模型既有 30 亿参数模型的表达能力，又保持了5亿参数模型的推理效率。

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

DeepSeek 团队在论文里还提出了具有想象力的未来——用光学压缩模拟人类的遗忘机制。人类的记忆会随时间衰退，越久远的事情记得越模糊，那是否AI也能这样？于是，团队设计将更久远的上下文，逐步缩小渲染图像的大小，以进一步减少token消耗。随着图像越来越小，内容也越来越模糊，最终达到“文本遗忘”的效果，就像人类记忆的衰退曲线一样。

论文中提到，这还是个需要进一步调查的早期研究方向，但这对于平衡理论上无限的上下文信息是一个很好的方法，如果真能实现，对于处理超长上下文将是个巨大突破。因此，这次发布的DeepSeek-OCR 表面上是个 OCR 模型，但从另一个角度来看，其研究代表了一个有前景的新方向。

有网友认为，这是一步好棋，人类就是阅读视觉文字，同时理解物理世界的时空概念，如果能统一语言和视觉，可能通向超级智能。

这一OCR模型发布不久就在GitHub获得超过1400颗星星。从论文署名来看，这一项目由 DeepSeek 三位研究员 Haoran Wei、Yaofeng Sun、Yukun Li 共同完成。行业消息显示，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，因此由其主导 DeepSeek 的 OCR 项目也在情理之中。

不过，DeepSeek迟迟不发R2这样的新模型，市场已经有一些声音认为其落后了，也有观点认为，DeepSeek目前只是在修炼“内功”，为下一代模型蓄力。

以上内容引自第一财经

这些进展很令人振奋，也让“大模型做 OCR”的愿景再次升温。但把视角从论文与 Demo 拉回企业一线，很多团队会立刻遭遇三连问：够快吗？够稳吗？成本能扛吗？

• 速度：大模型 OCR 在复杂版式、多语种、跨域场景具备“泛化潜力”，但现实是推理链路更长、显存占用更高、批量吞吐受限；哪怕单卡可维持较高生成量，放入企业系统后仍要穿过文件解析→图像预处理→模型推理→结构化抽取→质检回写等环节，整体延迟与并发开销不可忽视。

• 稳定性：大模型对“超长上下文、跨页关联”有天然优势，但在低清扫描、压缩噪声、红章/水印干扰、扫描歪斜等“工业噪声”条件下，仍需要大量工程化补强。

• 成本：开源≠免费。为满足线上 SLA，常见做法是多卡集群、高速存储、弹性队列与观测告警体系；算力、电费、机房与运维都是真实支出。对多数非互联网巨头而言，“总拥有成本（TCO）”常被低估。新闻里对A100-40G 的规模化数据生成也侧面说明其对算力有显著依赖

结论很朴素：当你的目标是“今天就要把识别速度提上去、把成本打下来”，专业 OCR 往往是更务实的答案。
专业 OCR 的设计初衷不是“通吃一切”，而是对文档、表格票据、证件、执照、银行卡等高频业务做深度优化：轻量高效的版面理解、针对性字典与纠错、对扫描噪声的鲁棒增强、针对章/票/卡的先验约束，配合 CPU/GPU 灵活部署，能够以更低的 TCO 提供更高的吞吐与稳定性。

以中安未来 OCR 识别解决方案为例：

• 覆盖面：针对文档、表格票据、证件、执照、银行卡等典型场景预置策略，支持关键字段级抽取与异常校验，适配真实业务的“字段完整率”和“导入一致性”。

• 性能与成本：支持 GPU 与纯 CPU 部署，可按项目规模选择本地私有化或混合架构。在既有 IA 架构下即可跑满，并发可通过多进程/多实例横向扩展，单位页成本更可控。

• 准确率与稳定性：基于多语言字体库、噪声鲁棒训练与结构先验，在低清扫描、偏斜、红章、水印等复杂场景稳定输出；配合版面理解+业务规则双重约束，实现更高可用的字段级精度。

• 落地与维护：提供 API/SDK/私有化多模式，快速对接现有流程；内置 质检与回流闭环，帮助团队持续提升数据质量与运营效率。

当然，我们并不否认“大模型 OCR”的重要价值。像新闻中提到的“上下文光学压缩”与“MoE 解码”路线，在极长上下文、跨页关联、知识增强等方面前景可期。更理想的路径，往往是“专业 OCR 打底＋大模型做复杂理解/审核环节”：前者保障吞吐与成本，后者处理少量高难度与审阅决策。对于多数企业来说，这一“分层式架构”既能快速提效，又保留技术演进余地。

大模型OCR vs 传统OCR