刚刚，DeepSeek 又发新模型，小而美玩出新高度

就在刚刚，DeepSeek 开源了一个 3B 模型 DeepSeek-OCR。虽然 3B 体量不大，但模型思路创新的力度着实不小。

众所周知，当前所有 LLM 处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。序列越长，算力烧得越狠。

于是，DeepSeek 团队想到了一个好办法。既然一张图能包含大量文字信息，而且用的 Token 还少，那不如直接把文本转成图像？这就是所谓的「光学压缩」——用视觉模态来给文本信息「瘦身」。

而 OCR 正好天然适合验证这个思路，因为它本身就是在做「视觉→文本」的转换，而且效果还能量化评估。

论文显示，DeepSeek-OCR 的压缩率能达到 10 倍，OCR 准确率还能保持在 97% 以上。

啥意思呢？就是说，原本需要 1000 个文本 Token 才能表达的内容，现在只用 100 个视觉 Token 就搞定了。即使压缩率拉到 20 倍，准确率也还有 60% 左右，整体效果相当能打。

OmniDocBench 基准测试结果显示：

• 只用 100 个视觉 Token，就超过了 GOT-OCR2.0（每页 256 个 Token）的表现
• 用不到 800 个视觉 Token，干翻了 MinerU2.0（平均每页超过 6000 个 Token）

在实际生产中，一块 A100-40G 显卡就能每天生成超过 20 万页的 LLM/VLM 训练数据。20 个节点（160 块 A100）直接飙到每天 3300 万页。