DeepSeek OCR 人工智能模型在单个 Nvidia A100 GPU 上每天可处理 20 万页文档

随着人工智能数据中心和相关处理成本的激增，算法效率成为当务之急，而在这一点上，似乎没有任何语言模型能比 DeepSeek.DeepSeek 的模型是开源的，其训练成本远远低于 OpenAI 的 ChatGPT 或谷歌的 Gemini。

新发布的 DeepSeek-OCR 模型是学习效率的最佳范例。通过使用光学映射，它可以将超长文档转换为图像进行压缩，识别精度高达 97%，压缩比低于 10 倍。

通过使用先进的编码器和解码器，九个以上的文档文本标记可以转换成一个视觉标记，大大减少了处理内容所需的计算资源。即使在 20 倍压缩比的情况下，新的 DeepSeek-OCR 系统也能达到 60% 的光学识别准确率，这是前所未有的壮举。

得益于新的人工智能压缩算法，DeepSeek-OCR可以从单个Nvidia A100数据中心GPU以每天20万页的速度处理的科学或历史文本中学习。因此，一个20节点的A100集群每天可以处理3300万页文档，这是文本繁重的LLM学习模式的转变。根据OmniDocBench的排名，DeepSeek-OCR在每页使用的视觉令牌数量上远远超过GOT-OCR2.0或MinerU2.0等其他流行解决方案。

新的 DeepEncoder 算法可以处理各种尺寸和分辨率的文档，而不会降低速度或准确性，DeepSeek3B-MoE-A570M 解码器则依赖于所谓的专家混合架构，该架构将知识分布到每个 OCR 任务所需的专业模型中。因此，DeepSeel-OCR 可以处理包含图形、科学公式、图表或图像的复杂文档，即使是用多种语言编写的文档也不在话下。

为了达到这样的规模和精度，DeepSeek 用近 100 种语言处理了 3000 万页便携式文档格式（PDF），其中包括从报纸和科学手迹到教科书和博士论文等所有类别。尽管新的 DeepSeek-OCR 系统实现的可视化标记化的速度和效率是不可否认的，但与当前基于文本的标记范式相比，这是否会在实际推理时带来语言模型性能的提高，还有待观察。