一图胜千言被实现了！DeepSeek-OCR用图片压缩文本，10倍压缩率（

1.图片压缩bejson

DeepSeek开源了DeepSeek-OCR，用1张图片的信息，还原10页书的文字，10倍的压缩率，可以做到几乎不丢失信息。

2.图片压缩api

视觉编码器走了不少弯路大型语言模型记性不好，或者说，能记住的东西太有限你给它一篇长长的文章，它的计算量呈二次方往上飙DeepSeek-AI团队提出了一个脑洞大开的想法：既然文字这么占地方，我们干嘛非得用文字存呢？能不能用图片来“压缩”文字信息？。

3.图片压缩 js

这个点子基于一个我们都懂的道理，“一图胜千言”一张印满文字的图片，在模型眼里，可能只需要很少的视觉token（vision tokens）就能表达清楚而如果把这些文字转换成数字文本，token数量可能多得吓人。

4.图片压缩在线处理(jpggifpng)无损压缩90%

这就好比一个压缩包，用视觉的方式把海量文本信息给打包了说干就干，他们捣鼓出了一个叫DeepSeek-OCR的模型来验证这个想法结果相当惊人，当压缩比，也就是文本token数是视觉token数的10倍以内时，模型居然能把图片里的文字几乎完美地还原出来，准确率高达97%。

5.图片压缩器在线使用

就算把压缩比拉到20倍，准确率也还有60%这就等于说，用视觉当媒介，真的可以高效地压缩文本信息

6.图片压缩官网

在DeepSeek-OCR之前，业界在怎么让模型“看”图这件事上，已经摸索了很久，主流的视觉语言模型（VLMs）里，视觉编码器大概有三种玩法，但家家有本难念的经。

7.图片压缩 知乎

第一种是“双塔架构”，代表是Vary它搞了两个并行的编码器，像两个塔一样，一个专门处理高分辨率图像这么做虽然参数和内存都还算可控，但部署起来就麻烦了，等于要预处理两次图像，训练的时候想让两个编码器步调一致也很困难。

8.图片数据压缩

第二种是“切片大法”，代表是InternVL2.0这方法简单粗暴，遇到大图就切成一堆小图块，并行计算激活内存是降下来了，也能处理超高分辨率的图但问题是，它本身编码器的原生分辨率太低，一切起图来就刹不住车，一张大图被切得七零八落，产生一大堆视觉token，反而得不偿失。

9.图片压缩器在线

第三种是“自适应分辨率”，代表是Qwen2-VL这种编码器比较灵活，能处理各种分辨率的图像，不用切片听起来很美，可一旦遇到真正的大图，GPU内存就瞬间爆掉而且训练的时候，要把不同尺寸的图像打包在一起，序列长度会变得特别长，训练效率极低。

10.图片压缩工具在线

这些模型都在各自的路上狂奔，增强文档光学字符识别（OCR）的能力，但似乎都忽略了一个根本问题：一篇一千个单词的文档，到底最少需要多少个视觉token才能完美解码？DeepSeek-OCR的突破DeepSeek-OCR的架构设计就是冲着解决这个问题去的。

它也是一个端到端的视觉语言模型，一个编码器加一个解码器，结构清晰

它的核心武器是一个叫DeepEncoder的编码器，参数量大约3.8亿这编码器是把两个业界大神SAM-base（8000万参数）和CLIP-large（3亿参数）给串联了起来可以把它想象成一个两级流水线。

第一级主要靠窗口注意力的视觉感知组件，用SAM-base改造它负责初步提取图像特征第二级具有密集全局注意力的视觉知识组件，用CLIP-large改造它负责深度理解和压缩这些特征为了让这两位大神能合作愉快，研究团队在它们中间加了一个2层的卷积模块，作用是把视觉token进行16倍的下采样。

举个例子一张1024×1024的图像输进去，编码器先把它切成4096个小块（补丁token）第一级流水线处理这4096个token，因为参数量不大而且主要是窗口注意力，内存还扛得住在进入第二级全局注意力之前，这4096个token先被压缩模块“挤了一下水分”，变成了256个。

这样一来，计算量最大的全局注意力部分处理的token数就大大减少，整体的激活内存就控制住了为了能测试不同压缩比下的性能，DeepSeek-OCR还支持多种分辨率模式，跟相机似的，有小、中、大、超大各种档位。

原生分辨率模式下，有四个档位：Tiny（512×512，64个token）、Small（640×640，100个token）、Base（1024×1024，256个token）和Large（1280×1280，400个token）。

小图就直接缩放，大图为了保持长宽比会进行填充，保证图像信息不失真

动态分辨率模式更灵活，可以把几种原生分辨率组合起来用比如Gundam模式，就是把一张图切成好几个640×640的小块（局部细节），再加一个1024×1024的全局视图这种方法特别适合处理报纸这种超高分辨率的图像，既能看清细节，又不会因为切片太碎而产生过多token。

有意思的是，所有这些模式都是用一个模型训练出来的，实现了“一机多能”编码器负责压缩，解码器就负责解压DeepSeek-OCR的解码器用的是自家的DeepSeekMoE，一个拥有30亿参数规模、混合专家（MoE）架构的模型。

它在推理的时候，只需要激活其中一小部分专家（约5.7亿参数），既有大模型的表达能力，又有小模型的推理效率，非常适合OCR这种专业性强的任务它的任务，就是看着编码器给过来的那点儿压缩后的视觉token，把原始的文本内容给一字不差地“脑补”出来。

数据是这样喂出来的一个强大的模型背后，必然有海量且优质的数据DeepSeek-OCR的“食谱”非常丰富，主要分三大类第一类是OCR 1.0数据，占大头这是最基础的OCR任务，包括文档和自然场景的文字识别。

团队从网上扒了大约3000万页PDF文档，覆盖近100种语言，其中中英文占了绝大多数为了让模型学得更扎实，他们准备了两种“教材”：粗糙版的和精细版的粗糙版就是直接从PDF里提取文字，教模型认识光学文本精细版则动用了更高级的布局分析模型和OCR模型来做标注，告诉模型哪里是标题、哪里是段落，文字和检测框怎么对应。

对于小语种，他们还玩了一手“模型飞轮”，先用少量数据训练出一个小模型，再用这个小模型去标注更多数据，像滚雪球一样把数据量滚大此外，他们还收集了300万份Word文档，这种数据格式清晰，尤其对公式和表格的识别很有帮助。

自然场景的OCR数据也搞了2000万，中英文各一半，让模型不光能看懂“白纸黑字”，也能看懂街边的广告牌第二类是OCR 2.0数据，这是进阶任务主要包括图表、化学公式、平面几何图形的解析图表数据，他们用程序生成了1000万张，把图表解析定义成一个“看图说话”的任务，直接输出HTML格式的表格。

化学公式，利用公开的化学数据库生成了500万张图片平面几何图形也生成了100万张，还特意做了数据增强，把同一个几何图形在画面里挪来挪去，让模型明白，位置变了，但图形本身没变

第三类是通用视觉数据，占两成为了让它保留一些基本的图像理解能力，比如看图说话、物体检测等，团队也喂了一些通用视觉数据这主要是为了给未来的研究留个口子，方便大家在这个模型的基础上做二次开发最后，为了保证模型的语言能力不退化，还混入了10%的纯文本数据一起训练。

整个训练数据里，OCR数据占70%，通用视觉数据占20%，纯文本数据占10%，配比相当讲究训练过程分两步走第一步，单独训练DeepEncoder编码器，让它先学会怎么高效地看图和压缩第二步，把训练好的编码器和解码器连在一起，用上面说的数据配方，正式训练DeepSeek-OCR。

模型性能测试核心的视觉-文本压缩能力测试研究团队用了Fox的基准测试集，专门挑了那些文本token数在600到1300之间的英文文档来测试这个token数，用Tiny模式（64个视觉token）和Small模式（100个视觉token）来处理正合适。

表格里的数据非常直观在10倍压缩比以内，模型的解码精度几乎没损失，都在97%左右这结果让人很兴奋，意味着未来也许真的可以通过“文转图”的方式，实现接近无损的上下文压缩当压缩比超过10倍，性能开始下降，原因可能是长文档的排版更复杂，也可能是图片分辨率不够，文字开始模糊了。

但即便压缩到近20倍，精度还能保持在60%上下这充分证明了，上下文光学压缩这个方向，大有可为。接下来是实际的OCR性能。在另一个更全面的基准测试OmniDocBench上，它的表现同样亮眼。

从这张密密麻麻的表里能看出，DeepSeek-OCR只用100个视觉token（Small模式），就超过了用256个token的GOT-OCR2.0用不到800个token的Gundam模式，更是把需要近7000个token的MinerU2.0甩在身后。

这说明DeepSeek-OCR的token效率极高，用更少的资源干了更多的活不同类型的文档，对视觉token的需求也不一样。

你看，像幻灯片这种格式简单的，64个token的Tiny模式就够用了书籍和报告，100个token的Small模式也表现不错这再次印证了前面的结论，这些文档的文本token数大多在1000以内，没超过10倍压缩比的临界点。

但对于报纸这种信息密度极高的文档，文本token动辄四五千，就必须得上Gundam模式甚至更强的模式才行这些实验清晰地划出了上下文光学压缩的适用边界除了能打的性能，DeepSeek-OCR还有很多“才艺”。

它能进行“深度解析”，比如识别出文档里的图表，并把它转换成结构化的数据

还能看懂化学公式，并把它转成SMILES格式。

它还能处理近100种语言的文档。

当然，作为VLM，基本的看图说话、物体检测等通用能力也都在线。

未来的想象空间还很大DeepSeek-AI团队的这项工作，是对视觉-文本压缩边界的一次成功探索10倍压缩比下接近无损，20倍压缩比下仍能看，这个结果足够让人兴奋这为未来打开了一扇新的大门比如，在多轮对话中，可以把几轮之前的对话历史渲染成一张图片存起来，实现10倍的压缩效率。

对于更久远的上下文，还可以通过逐步缩小图片分辨率来进一步减少token消耗这个过程，很像人脑的记忆机制刚发生的事情记得清清楚楚，细节分明时间久远的事情，就只剩下个模糊的轮廓通过这种光学压缩的方式，我们可以模拟出一条生物学的遗忘曲线，让模型在处理超长上下文时，能把宝贵的计算资源留给最重要的近期信息，同时又不会完全“忘记”过去，实现了信息保留和计算成本之间的完美平衡。

仅靠OCR任务还不足以完全验证光学压缩的全部潜力，未来还需要更多更复杂的测试DeepSeek-OCR已经证明，上下文光学压缩是一个非常有前景的新方向，它可能为解决大型语言模型“记性差”这个老大难问题，提供一把全新的钥匙。