近日，DeepSeek开源了其最新大模型DeepSeek-OCR，引发AI领域对底层范式的深入探讨。OCR，按DeepSeek论文所述，是对长上下文通过光学2D映射压缩可行性开展的初步研究。该模型由DeepEncoder和作为解码器的DeepSeek3B-MoE-A570M构成，核心在于用少量视觉token表示大量文本内容，降低计算开销，是一种视觉 - 文本压缩范式。
这一创新意义非凡，它不仅攻克了长文本处理难题，更重塑了大模型的认知方式。传统大模型依赖文本token理解世界，而DeepSeek-OCR赋予模型“视觉感知”能力。它先将文本转为图像压缩，使用时再解压，绕过语言抽象层，直接从视觉信息中提取特征，如同人类用眼睛观察世界。
当下大模型处理超长文本效率低下，主流模型上下文窗口有限，面对财报、科研论文等长内容，只能“切片段、多轮传”，导致逻辑断档、延时等问题。DeepSeek-OCR反其道而行之，提出“上下文光学压缩”概念，通过文本转图像实现高效压缩。经验证，10倍压缩比下解码精度达97%，近乎无损；20倍压缩比时精度仍有约60%。
该团队还受人类遗忘机制启发，将近期记忆渲染成高分辨率图像，用较多视觉token保留信息；远期记忆缩放成模糊图像，用较少视觉token表示，实现信息自然遗忘和压缩。理论上，模型处理超长对话或文档时，可动态分配计算资源，构建无限长上下文架构。
这一创新引发AI社区对视觉路线的思考。OpenAI联合创始成员Andrej Karpathy提出大胆设想：像素是否比文本更适合作为大语言模型输入？从信息密度看，像素承载的信息远超文本，能保留更多细节。从通用性角度，文本受限于语言文化，而像素呈现的物理规律普适，为构建统一世界模型奠定基础。以像素为起点的学习路径，更接近人类认知过程，可能催生更鲁棒、泛化能力更强的智能。
不过，DeepSeek-OCR并非完美无缺。超高压缩比存在风险，超过30倍时关键信息保留率跌破45%，对精度要求高的法律、医疗场景不适用。而且，复杂图形识别能力不足，三维图表、手写艺术字识别准确率比印刷体低12 - 18个百分点。
DeepSeek-OCR的推出，是AI发展的新探索。它不仅是技术升级，更是认知框架重构，标志着从“符号处理”到“感知理解”的范式转移。这一转变意义重大，暗示未来AI可能建立更接近人类感官体验的认知体系。但目前仍是早期研究方向，面临诸多挑战，如平衡压缩效率与信息保真度、避免关键信息丢失等。同时，技术路径转变将重塑人机交互方式、催生新应用场景，值得持续关注。从长远看，视觉路线与文本路线互补共生，未来通用人工智能或需融合两者，构建全面、鲁棒的智能体系，这条探索之路前景可期。
