深度求索發布DeepSeek-OCR：解密「光學壓縮」的文字速讀機制，為何AI學會遺忘反而省算力？

數位時代

2025年10月21日週二下午1:41

重點一：DeepSeek OCR 以「光學壓縮」技術處理寫滿文字的圖片，最高壓縮10倍且保留約97%資訊，讓AI可處理更長文件。

重點二：DeepSeek OCR 把文件當成圖片處理，用兩個擅長不同工作的模型分工合作，再用一個「16倍壓縮器」把需要計算的資料量大幅減少。

重點三：DeepSeek OCR 每天可以在單一 Nvidia A100 GPU 上處理超過 20 萬頁資料。如果使用 20 台伺服器，每台伺服器運行 8 塊 A100 處理器，吞吐量將躍升至每天 3,300 萬頁。

中國AI公司Deepseek（深度求索）於10月21日推出DeepSeek-OCR（光學文字辨識）系統，主打將以「影像」呈現的文字文件做高效率壓縮後再交由語言模型處理。其技術上核心訴求是：處理「影像中的文字」比直接處理「數位文字」更省算力。

而在應用上，這套系統的核心賣點也很簡單： 用更少的「視覺符號」（內部的影像單位）就能把文件讀懂，並輸出成可編輯的文字或結構化內容，包含表格、公式與圖表。

OCR讀起字來多有效率？DeepSeek技術報告指出，在維持約97%資訊的前提下，文字脈絡可被壓縮至最多10倍，從而延長LLM可承載的上下文長度，減少記憶體與推論成本。

系統也可將「對話歷史影像化並壓縮」，將較舊的聊天內容以低解析度保存，類似人類「漸漸遺忘」的機制：資料越久、越遠、越低解析，就越模糊。

記憶刻度 ：時間從「剛發生」到「1年」，清晰度由「Crystal Clear」逐步變成「Almost Gone」，描述人類記憶隨時間自然衰退。
視覺刻度：距離從 10 cm 到 20 m，越遠越不清楚，對應「看得近清楚、遠則模糊」的直覺感受。
文字刻度（解析度）：從「Gundam」到「Tiny」等級，解析度越低、需要的「視覺符號」越少，文字呈現也越模糊，象徵以圖片方式壓縮舊文本。

這樣的優勢主要瞄準長文件處理、跨頁表格與圖形理解，以及跨語言（約100種）文件抽取，並在維持原始版面或輸出純文字的彈性間取得平衡。

白話來說，處理更少的符號，意味著更快的處理、更低的成本。對需要大量掃描、歸檔和資料萃取的工作類型，是最直接的效率紅利。

OCR如拼裝車！3步驟把資料「切塊再瘦身」

技術上，OCR如何辦到？DeepSeek‑OCR的做法是：把一頁文件當成「圖片」丟給AI，先切塊、再瘦身，最後才請懂圖又懂字的模型來讀。

第一步，前處理引擎DeepEncoder把版面「劃重點」：段落在哪、表格在哪、圖形在哪，別讓後面的模型浪費力氣在邊角裝飾（這裡用的是臉書母公司Meta的SAM，專門做影像分割）。

第二步是「資訊減肥」。例如原本一張1,024×1,024的頁面，會變成4,096個「視覺單位」（token），先經過壓縮器直接砍到256個，類似把會議逐字稿濃縮成重點條列，將算力和記憶體省下來。

第三步則是「理解」。其利用OpenAI的CLIP，負責把「看到的區塊」對上「語意」，也就是判斷這段到底在說什麼、這張圖在表達什麼。而因為前面已經切塊並瘦身，所以CLIP不用面對整頁的雜訊。

結果，同樣的一頁文件，DeepSeek‑OCR通常只需要64到400個視覺token就能讀懂：一般簡報大約64個、書籍或報告約100個。而若遇到版面複雜的報紙，再打開所謂的「Gundam模式」把配額拉到最多800。對比傳統OCR動輒上千到上萬token，這套路線是「少算力、更多內容」。

進一步來說，DeepSeek‑OCR的輸入模式分成三類，以對應不同「視覺符號」數量，以測試在各種壓縮比例下的表現。

• Tiny｜Small：固定尺寸（約 512、640），輸出 64 或 100 個視覺符號。適合字數不多、版面簡單的頁面，用少量符號就能還原內容。
• Base｜Large：較大尺寸（約 1024、1280），輸出 256 或 400 符號。以「補邊」保留原始長寬比；有效符號會因黑邊扣除而少於名義值。
• Gundam｜Gundam‑Master：動態模式，把頁面切成 n 個局部視野，再加一張全局視野。

一日處理3,300萬頁！OCR資料集與權重全面開放

在實務部署方面，DeepSeek-OCR宣稱以單顆Nvidia A100每日可處理約200,000頁；若以20台伺服器、每台8顆A100組成叢集，日處理量可達3,300萬頁。此吞吐量不僅可支援企業級文件工作流，也有助於為LLM建構海量文字語料。

研究團隊訓練時使用約3,000萬頁PDF（含近百種語言，其中中文與英文約2,500萬頁），並加入1,000萬張合成圖表、500萬份化學式、100萬份幾何圖形以強化多模態文件理解。

更重要的是，官方開放程式碼與模型權重，讓生態系可驗證與擴充此技術；在多語、保版面與純文字輸出之間提供彈性，適合長文件抽取、AI訓練語料建置，以及聊天機器人脈絡的「成本感知式」保存。

整體而言，DeepSeek-OCR以「影像壓縮＋少量token」策略，將OCR從單純文字擷取，推進到可支援LLM長脈絡與結構化資料抽取的系統級能力。

英國資深網頁開發者Simon Willison實測指出，DeepSeek‑OCR 可在 NVIDIA Spark（ARM64 + CUDA）的環境中順利跑通，整體印象是：只要花時間選擇合適的「運行方式／提示」，DeepSeek‑OCR本身的模型表現「非常好」，足以在新硬體條件下完成高品質 OCR。

如何使用 DeepSeek OCR ？

一般讀者可用 Hugging Face 下載模型，安裝必要套件後，把圖片丟進範例程式即可做 OCR。其建議簡易流程如下：

事前準備：有一台可用的電腦。若沒有 NVIDIA 顯示卡，也能跑，但會較慢；Hugging Face 頁面示範是用 NVIDIA GPU、CUDA 11.8。
安裝工具：安裝 Python（建議 3.12）與套件管理工具（pip 即可）。
安裝必要套件：torch 2.6.0、transformers 4.46.3、tokenizers 0.20.3、einops、addict、easydict；加速可選擇安裝 flash-attn 2.7.3。
取得模型：從 Hugging Face 載入模型名稱 deepseek-ai/DeepSeek-OCR。
放入圖片：把要辨識文字的圖片檔（如掃描的合約、收據、海報）指定到程式，執行後就會輸出文字或 Markdown。

延伸閱讀：Canva回來了！AWS雲端服務全面修復完成，快打開看Perplexity、Coinbase⋯⋯能不能用？

資料來源：DeepSeek、Decoder、Simon Willison’s Weblog

本文初稿為AI編撰，整理．編輯/ 李先泰

其他人也在看