DeepSeek發表可以視覺Token實現長脈絡文件理解的Deepseek-OCR系統

中國AI公司DeepSeek近期發表最新研究成果DeepSeek-OCR，提出名為「光學壓縮（Optical Compression）」的全新技術架構。這項技術旨在突破大型語言模型（LLM）面臨的長脈絡瓶頸，讓模型能以極少量Token處理並理解超長篇文件影像，在不犧牲語義與結構資訊的前提下，實現約10倍以上的脈絡壓縮率。

與傳統OCR（光學文字辨識）不同，DeepSeek-OCR並非單純將圖片中的文字轉為可編輯文本，而是透過語義層級的「視覺壓縮」重構整份文件。系統的核心元件DeepEncoder會直接將整張文件影像轉換為少量高密度的「視覺Token」，這些Token並非像素資料，而是攜帶語義與排版關係的表徵向量。隨後，由DeepSeek-3B-MoE解碼器進行還原與重建，讓模型得以在極低Token成本下重現完整文字、表格與圖表資訊。

論文指出，透過這種光學壓縮策略，模型在僅使用64至100個視覺Token的情況下，便能準確重建出約600至1300個文字Token的內容，精度達96%至98%。當壓縮比提高至20倍時，雖然細節部分略有損失，但語義主幹依然可被正確辨識。研究團隊形容，這就像讓AI「用看懂的方式閱讀文字」，而非逐字處理。

DeepSeek表示，這一技術不僅能大幅減少長脈絡文本任務的計算開銷，也為AI代理人與文件理解模型提供新的設計思路。未來若結合多模態訓練與長期記憶機制，光學壓縮有望應用於法規文件、科研報告、金融報表等需要高效語義保留的長文本任務。

研究團隊並指出，光學壓縮的潛力不僅在OCR領域，還可能成為下一代多模態AI的基礎技術。透過以視覺為核心的壓縮與理解方式，AI將能以更低的成本處理更龐大的資訊量，開啟真正意義上的超長脈絡智慧。