这两天，AI领域最火的当属DeepSeek的新模型。不过这次发布的只是个30亿参数的小模型，名叫DeepSeek-OCR。

说实话，我刚看到这个名字时第一反应是非常失望——OCR这类技术不是早就被做透了吗？难道DeepSeek还想在这个领域，和扫描全能王这种文档扫描细分领域的霸主一较高低吗？

但一个最朴素的好奇心驱使我去研究了一下：DeepSeek员工的薪资可不低，这么顶尖的AI人才，不可能只满足于花精力做一件意义不大的事。这就像一位顶尖作家，如果在文章里写了一句看似多余的话，我的第一反应肯定是“大师这么写一定有隐含的深意，没看出来只能说明我水平不够”。

看过论文之后我发现，人家压根不是为了做OCR而做OCR，而是在研究一个更根本的问题：AI处理信息时，用“看图”的方式比“读文字”能省多少力气？

今天这篇文章，我会尽量用通俗的语言，和你分享一下我的理解和感受。

先给不太了解AI的朋友，稍微解释下“token”是怎么回事。你可以把token理解成AI处理信息的“计价单位”，就像去菜市场买菜，有的按斤卖、有的按个卖一样。一个中文字大概对应1-2个token，一个英文单词则可能是1-3个token。

关键是，AI每处理一个token都要花钱，而且token越多，不仅花的钱越多，处理速度也会越慢。所以对AI来说，怎么用更少的token传递更多信息，就成了一个很关键的问题。

01 不只是文字OCR识别

你看，咱们平时上网总说“一图胜千言，无图无真相”，但这话到底只是文学修辞，还是真能拿出具体数据来证明？DeepSeek这次的小模型，就是要把这个问题掰开、揉碎、研究清楚。

惊人的信息压缩效率

他们通过实验发现：一篇包含约1000个“文字token”的文档，如果换成“看图”的方式处理，只用100个“视觉token”，就能以97%的精度还原出来。这是什么概念？相当于把信息直接压缩了10倍，而且几乎没丢东西。

更厉害的是，即便把压缩比提到20倍，信息准确率还能保持在60%左右。这就有点像压缩饼干，占的体积小，但该有的“营养”还能保留不少，能管饱。

不过这里要先明确一点：DeepSeek-OCR并不是真的像咱们用的扫描仪那样，先把文字转换成图片再处理，而是借用了“视觉理解”的逻辑来处理信息。

这就像人脑处理信息有不同的“通道”——有的信息适合用“听”来接收，比如一段音乐；有的信息适合用“看”来接收，比如一张图表。

AI其实也类似，DeepSeek这次就发现，面对文档这种文字密集的信息，用视觉模型的方式去编码、压缩，效率要比传统的纯文本处理方式要高效得多。

背后关键：DeepEncoder

这里面的关键，是他们专门设计的一个叫DeepEncoder的编码器。

至于“编码器”具体是什么，这里咱们不用深究，我给你打个比方就懂了：就像你整理衣柜，首先会把所有衣服都摆出来看一遍，然后把不常穿的衣服压缩装进真空袋，最后只把常穿的挂在外面，方便拿取。

DeepEncoder也是这个思路：首先用“窗口注意力”，一块一块地看清楚内容；然后通过压缩模块，把信息直接压缩16倍；最后用“全局注意力”，提取出真正有用的核心知识。

这样一套流程下来，既能把内容看明白，又不用消耗太多算力。

压缩效果对比

单说压缩效果，咱们直接拿数据说话。

现在市面上有个叫MinerU2.0的OCR模型，它是2025年8月上海人工智能实验室发布的开源工具，处理一页文档平均要用到6000多个token。而DeepSeek-OCR呢？只用不到800个token，就能超过它的效果。

这是什么概念？相当于别人得开着大卡车才能运完的货，DeepSeek开个小面包车就把活儿干完了，而且干得还更好。

02 探索AI的遗忘机制

说到这儿，论文里还有个特别有意思的发现，这也是我认为整个研究最独特的洞察。

DeepSeek的研究人员注意到，当他们把信息压缩比提高到20倍的时候，长文本在低分辨率下会变得模糊，识别精度会下降。但他们没把这个现象当成一个bug，反而从中看到了一个更深层的逻辑——这不就是人类记忆的遗忘机制吗？

你想想，人的记忆是怎么工作的？刚发生的事，你记得清清楚楚，连细节都丝毫不差；一小时前的事，还能记个大概；一天前的事，可能就只剩下关键情节了；再往远了说，一周前、一个月前、一年前的事，你的记忆会越来越模糊，最后可能只记得个大概印象。

这种记忆随时间衰退的过程，是不是和图像分辨率降低的样子特别像？越久远的记忆，就像越模糊的图片，细节逐渐丢失，但核心信息还在。

视觉压缩模拟人类记忆

DeepSeek在论文里画了一张图，把这个类比展现得特别清楚，我把这张图贴在下方了。虽然论文里有很多张图表，但是这张图给我带来了极大的想法上的冲击。他们很巧妙地把时间维度和空间维度做了对比：

对记忆来说，刚发生的事情是“水晶般清晰”，1小时前“非常清晰”，1天前“清晰”，到1周前开始“模糊”，1个月前已经“非常模糊”，1年前就“几乎消失”了。而在视觉上，10厘米距离看东西最清楚，接着是50厘米、1米、3米、10米、20米，距离越远，画面越模糊。

这个类比就给了他们一个大胆的想法：能不能用这种“视觉压缩”的方式来模拟AI的记忆机制？

具体来说，就是把AI之前的对话历史，用不同分辨率的“视觉token”来存储。最近的对话用高分辨率，保留所有细节；稍微久一点的对话，就降低分辨率，压缩一些信息；更早的对话继续降低分辨率，只保留核心内容。

这样一来，AI就能像人一样，对近期的事情记得清清楚楚，对远期的事情只留模糊印象。这样既节省了计算资源，又符合我们使用AI的实际场景——毕竟大多数时候，我们只需要AI记住刚聊过的内容。

遗忘本身是一种智能

说实话，当我看到这个想法时，第一时间对“醍醐灌顶”、“茅塞顿开”这样的词有了画面感。我的启发不只是来自这个小模型的效果，更是由衷感叹：有些人的思维方式，可能真的和普通人不一样。

因为这不仅仅是一次简单的技术优化，而是在探索AI如何像人一样“主动遗忘”。你仔细想想，人为什么会遗忘？不是大脑容量不够，而是遗忘本身就是一种智能。

如果你对十年前的每一个细节都记得清清楚楚，那你的大脑早就被无用信息塞满了。遗忘其实是一种筛选机制——让重要的信息留下来，不重要的自然淡化。毕竟现在的你，没必要还清楚记得高三课堂上做过的那一道道数学题。

费曼学习法的本质

这一点也让我想到了费曼学习法。大家都知道，费曼是全球顶级的物理学家，但在我看来，他还有一个同样重要的身份——“伟大的教育家”。

他在加州理工学院任教近40年，留下过一个著名的检验标准。当时有同事请他解释量子力学的某个复杂问题，他说：“我没法把它简化到大学一年级的水平，这意味着实际上我们并不理解它。”

费曼的核心观点很明确：如果你没办法用简单的话把一个概念讲清楚，那就说明你自己还没真正理解它。

你看，费曼学习法的本质，其实也是一种“压缩”——把复杂零散的知识压缩成核心要点。而且你会发现一个规律：刚学完的时候，你能复述出所有细节；过几天，可能只记得关键概念；再过几个月，你可能只记得最本质的原理。

艾宾浩斯遗忘曲线

德国心理学家艾宾浩斯早在1885年就发现了这个规律，他的遗忘曲线明确显示：学习后20分钟，人会遗忘41.8%的内容；1天后，遗忘比例会达到66.3%。但这根本不是坏事，因为最后留下来的那个“最本质的原理”，才是真正能帮到你的有用知识。

DeepSeek这套“视觉压缩”的思路，某种程度上就是在给AI量身设计一套类似的信息处理机制。

让AI也能像人一样，对信息进行分层记忆：重要的、近期的信息，用高保真的方式完整保存；次要的、久远的信息，就通过压缩留存，只留下核心要点。

03 不按套路出牌

说到这儿，你可能会发现，DeepSeek团队有个特别有意思的特点：他们从来不按常规套路出牌。

别人做OCR，想的是怎么把文字识别得更准确；而DeepSeek做OCR，却在研究“一张图能压缩多少文字”这个更根本的问题。

你再看他们的MoE架构，别人都在堆砌专家数量，DeepSeek却创新出“共享专家+路由专家”的组合，用更少的激活参数达到更好的效果。

这次的OCR模型也是一样，模型只有30亿参数，激活参数才5.7亿，但效果却能超过那些动辄上百亿参数的大模型。

之前在AI行业的一次闭门讨论里，我听过一句话，觉得特别准确：“DeepSeek这个团队把所有精力都放在了一个很窄的点，把后续很多东西都放弃了。他们不是单纯在服务人，而是做智能本身。”

这话听着有些抽象，但你看他们的OCR模型就能明白了。他们的目标从来不是做一个好用的OCR工具，而是探索AI处理信息的本质。

业内反响与实用价值

这个模型发布后，业内的反响也挺有意思。

前OpenAI联合创始人Andrej Karpathy的评价，他在X上说了一句特别颠覆的话：“也许更合理的是，LLM的所有输入都应该是图像。即使碰巧有纯文本输入，你更应该先渲染它，然后再输入。”

当然，这个模型不只是理论研究，实用价值也很明显。

单张A100显卡一天能处理20万页文档，这意味着可以大规模地把PDF文档转成结构化的文本数据，用来训练大语言模型。而且因为它用的token少，处理速度快，成本也就低。

同样的计算资源，DeepSeek能处理的数据量是别人的好几倍。

未来的想象空间

说实话，这个研究让我看到了一个更大的想象空间。如果“视觉压缩”这个思路真的能用在长上下文处理上，那未来的AI可能会变成什么样？

也许你跟AI聊了一整天，它不需要把所有对话都原封不动地保存，而是像人一样，把早上的对话压缩成低分辨率的“印象”，把中午的对话保留关键信息，只有最近的对话才保持高清晰度。

这样一来，AI就能真正实现“无限对话”——不是靠无限的算力，而是靠智能的遗忘。

04 结语

回到开头那个问题：一张图能装下多少文字？

DeepSeek用这个30亿参数的小模型告诉我们，答案不是一个固定的数字，而是取决于你愿意接受多少模糊度。10倍压缩几乎无损，20倍压缩还能保留核心信息。

这个发现，可能比一个好用的OCR工具更有价值。因为它揭示了一个更本质的问题：AI如何像人一样，在有限的资源里，智能地选择记住什么、遗忘什么。

这才是DeepSeek真正在做的事情：不是追着热点跑，而是在探索AI的本质。（转载自快刀青衣）