當我們試圖讓 AI 閱讀一份數百頁的 PDF 財報、法律合約或學術論文時，常會遇到速度緩慢、成本高昂，甚至模型「忘記」前面內容的問題。這背後的根本原因，在於傳統的「文本 Tokenization」機制文字轉換為大量的計算單元，文件越長，負擔越重。
但如果我們不再讓 AI 一個字一個字地「閱讀」文件，而是讓它像人類一樣，用「看」的方式來理解整份文件呢？ DeepSeek-AI 團隊於 2025年10月20日發布的開源模型 DeepSeek-OCR，正是朝著這個方向邁出的重要一步，它提出的「光學內容壓縮」概念，可能將從根本上改變 AI 處理文件的方式。
DeepSeek-OCR: Contexts Optical Compression
DeepSeek-OCR 懶人包
DeepSeek-OCR 是一個開源視覺語言模型，但它並非一般的光學字元辨識（OCR）工具。它的核心能力在於「光學內容壓縮」（Optical Context Compression）。
簡單來說，它能將充滿文字的文件圖像，轉換為極其高效的視覺 Token。這種做法帶來了幾個驚人的成果：
- 極致的效率提升：相較於傳統方法，視覺 Token 的使用量減少了高達 20 倍，同時保持了 97% 的辨識準確率。
- 強大的處理量：在單張 NVIDIA A100 GPU 上，一天就能處理超過 20 萬頁文件。
- 閃電般的速度：整合了 vLLM 技術後，其處理速度可達每秒約 2500 個 Token。
- 開源且自由：採用對商業友善的 MIT 授權條款，讓開發者和企業都能自由地應用與客製化。
主要亮點剖析
光學內容壓縮，從根本解決 LLM 的長文本焦慮
傳統 AI 處理文件，是將文字轉換成一個個 token。一份長文件動輒數十萬、甚至數百萬個 token，這不僅大幅增加了運算成本，也挑戰了模型能夠處理的上下文長度極限。
DeepSeek-OCR 則另闢蹊徑。它利用視覺編碼器，將整個文件頁面「看」成一張圖，並將其中的資訊「壓縮」成數量極少的視覺 token。這好比過去我們需要逐字朗讀一本書給 AI 聽，現在則是直接讓 AI 看書頁的掃描檔，它就能迅速掌握重點。這種從「閱讀」到「觀看」的轉變，從根本上繞開了文本 token 數量的限制，為處理文件提供了更高效的解決方案。
企業級的處理效能與開源的自由度
效能是決定一項技術能否在真實商業場景中落地的關鍵。DeepSeek-OCR 所展現的「單 GPU 日處理 20 萬頁文件」的能力，使其具備了成為企業級文件自動化流程核心的潛力。 對於需要處理大量合約、報告、論文或客戶資料的金融、法律和研究機構來說，這意味著能以更低的硬體成本，實現過去難以想像的處理規模。更重要的是，DeepSeek-OCR 採用了 MIT 授權。 這代表任何個人或公司都可以免費使用、修改甚至進行商業化應用，而不用擔心授權費用或法律問題。
不只是讀懂文字，更能理解結構與版面
一份文件的價值，不僅在於文字，還包含其版面、圖表和結構。DeepSeek-OCR 的一個驚喜之處，在於它能解析文件中的圖表，並直接將其重新渲染成 HTML 格式。 這證明了它不僅僅是在辨識字元，更在理解文件的空間佈局與結構性元素。這種能力在實際應用中非常寶貴。例如，它可以自動將一份 PDF 報告轉換為結構化的 Markdown 或網頁格式，完整保留標題、表格和圖表。
將加速 AI 在多個領域的應用落地
檢索增強生成（RAG）是目前讓 LLM 應用企業內部知識的主流技術，DeepSeek-OCR 能讓 RAG 系統的資料預處理成本降低一個數量級，使得用數百萬份內部文件來建構一個企業大腦變得更加可行。未來的 AI 代理人需要能夠自主閱讀和理解大量外部資訊，光學內容壓縮技術讓 Agent 能以極低的成本「消化」網路上的報告、手冊與各式文件，從而做出更明智的決策。對於金融、保險、法律、醫療等高度依賴文件處理的產業，可以基於它來打造客製化的智慧文件審批、資料提取與歸檔系統，大幅提升效率。
TN科技筆記的觀點
DeepSeek-OCR 最具顛覆性的地方，並非單純提升了 OCR 的準確率或速度，而是它提出了一種解決 LLM 核心限制的全新思考方向。值得注意的是，這個方向與 Andrej Karpathy 近期提出的觀點不謀而合（這部分會另外再寫一篇文章分享）。Karpathy 認為，LLM 過於強大的記憶能力反而可能是一種缺陷，因為這會讓模型過度依賴死記硬背，而非真正的歸納與推理。他提出，人類無法輕易記住所有細節，這種「健忘」反而像是一種強大的「正規化」（Regularization），迫使我們學習抓住重點與歸納模式。從這個角度來看，DeepSeek-OCR 的「光學內容壓縮」碰巧是一種對這個想法的實踐方式之一。它刻意放棄了對原始文本 100% 無損的記憶，轉而追求一種更高效率、更具備歸納性的視覺化理解。這就像是強迫模型從「逐字背誦」轉變為「閱讀後寫摘要」，在這個有損壓縮的過程中，模型被迫學習如何辨識文件的核心結構與關鍵資訊，而非僅僅是記住一長串的文字序列。這種「選擇性遺忘」的設計，或許正是讓 AI 從一個只會模仿的「幽靈」，進化成一個更懂歸納與推理的「動物」的關鍵一步，這也是 Karpathy 所強調的未來方向。
支持TN科技筆記，與科技共同前行
我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～～～也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！>>>>> 請我喝一杯咖啡
在此也感謝每個月持續請我喝杯咖啡的讀者們，讓我更加有動力為各位帶來科技新知！
以下是我的 threads 也歡迎追蹤、回覆、轉發喔！
>>>>> TN科技筆記(TechNotes)
