就在剛剛，DeepSeek 開源了一個 3B 模型 DeepSeek-OCR。雖然 3B 體量不大，但模型思路創新的力度著實不小。

眾所周知，當前所有 LLM 處理長文本時都面臨一個繞不開的困境：計算復雜度是平方級增長的。序列越長，算力燒得越狠。

于是，DeepSeek 團隊想到了一個好辦法。既然一張圖能包含大量文字信息，而且用的 Token 還少，那不如直接把文本轉成圖像？這就是所謂的「光學壓縮」——用視覺模態來給文本信息「瘦身」。

而 OCR 正好天然適合驗證這個思路，因為它本身就是在做「視覺→文本」的轉換，而且效果還能量化評估。

論文顯示，DeepSeek-OCR 的壓縮率能達到 10 倍，OCR 準確率還能保持在 97% 以上。

啥意思呢？就是說，原本需要 1000 個文本 Token 才能表達的內容，現在只用 100 個視覺 Token 就搞定了。即使壓縮率拉到 20 倍，準確率也還有 60% 左右，整體效果相當能打。

OmniDocBench 基準測試結果顯示：

• 只用 100 個視覺 Token，就超過了 GOT-OCR2.0（每頁 256 個 Token）的表現
• 用不到 800 個視覺 Token，干翻了 MinerU2.0（平均每頁超過 6000 個 Token）

在實際生產中，一塊 A100-40G 顯卡就能每天生成超過 20 萬頁的 LLM/VLM 訓練數據。20 個節點（160 塊 A100）直接飆到每天 3300 萬頁。