🎯 情报来源：量子位
DeepSeek最新开源的DeepSeek-OCR模型在硅谷引发轰动，该模型采用视觉压缩文本技术，仅3B参数规模即实现高效能突破。核心创新在于将文字信息压缩为视觉token，显著降低大模型计算开销。实验显示，当压缩率小于10倍时，解码准确率高达97%；即使压缩率达20倍，准确率仍保持在60%。
更令人瞩目的是其高效能表现：仅需一块A100-40G GPU，每日可生成超过20万页优质LLM/VLM训练数据。该模型在GitHub上线即获3.3K star，HuggingFace热榜第二，被业界誉为”AI的JPEG时刻”。前特斯拉AI总监卡帕西评价称”图像比文字更适合LLM输入”，更有观点认为该技术可能触及谷歌Gemini的核心机密。
💡 核心要点
- 3B参数模型实现10倍压缩率下97%准确率，20倍压缩率仍保持60%准确率
- 单块A100-40G GPU日生成20万+页训练数据，效能突破行业基准
- GitHub上线即获3.3K star，HuggingFace热榜第二
- 创新性提出”光学压缩模拟人类遗忘”机制，为无限长上下文处理提供新思路
- 在OmniDocBench基准测试中，仅用100视觉token即超越前SOTA模型256token表现
📌 情报分析
技术价值：极高 – 开创性提出视觉-文本压缩范式，验证了”用视觉token替代文本token”的技术可行性，在3B小模型上实现超越大模型的效能表现。
商业价值：高 – 单GPU的高效训练能力大幅降低AI部署成本，开源策略可能改变行业格局，但需观察谷歌等巨头的专利壁垒应对。
趋势预测：高 – “光学压缩+遗忘机制”的组合可能成为下一代长文本处理标准，论文中提出的无限长上下文架构设想具有明确技术路径支撑。