DeepSeek开源DeepSeek-OCR：用“视觉压缩”让AI一天读懂20万页文档
DeepSeek于2025年10月20日在GitHub以MIT许可证发布DeepSeek-OCR，核心技术“上下文光学压缩”把长文本转成精简视觉token再还原，单张A100显卡每日可处理超20万页文档，大幅降低长文档识别与AI训练数据处理的运算成本。
2025年10月20日，中国AI公司DeepSeek在GitHub以MIT许可证（可自由商用、修改、再分发）公开发布新模型DeepSeek-OCR。这是一套端到端的开源文档光学识别（OCR）与版面理解系统，官方定位不只是“扫描识字”，而是要解决大语言模型处理长文档时效率低、成本高的问题。根据官方公布的实测数据，单张NVIDIA A100-40G GPU一天可以处理超过20万页文档数据，主要用途是为大语言模型（LLM）与视觉语言模型（VLM）的训练，快速生成大量可用的文本数据。
核心技术：把文字“拍成照片”再压缩
DeepSeek-OCR最特别之处在于它的技术路线——官方称之为“上下文光学压缩”（Contexts Optical Compression）。传统OCR是把图片中的文字逐字识别输出，但面对长篇文档，文字量一大，AI模型要处理的token数就会暴增，运算成本随之飙升。DeepSeek-OCR反其道而行：先把大量文字“视觉化”压缩成少量的视觉token，再通过轻量化解码器把这些视觉token还原回完整文字。同样的文字内容，用视觉token表示所需的运算资源远少于直接用文字token表示，因此能大幅提高长文档的处理速度，同时压低运算成本。
与传统OCR、既有工具的差异
市面上OCR工具多数是针对“单页扫描识别精度”优化，处理长文档时仍需把每页结果拼接、再交由后端AI逐段消化。DeepSeek-OCR则是把“长文档处理效率”本身当成设计目标，并开源发布模型权重与代码，让开发者可以直接部署、自行训练调整，而非通过付费API使用。这延续了DeepSeek过去（如DeepSeek-V3.2-Exp、DeepSeek-V3.1）一贯的开源策略：快速累积开发者社区与应用生态，同时展示自身工程优化能力。
业界反应：数据处理成本是AI竞赛的隐藏战场
DeepSeek-OCR发布后，开发者社区关注焦点多集中在“20万页/日”这个效率数字，以及它对AI训练数据生产链的意义。主流大语言模型的训练与微调，高度依赖把PDF、扫描件、表单等非结构化文档转换成干净文本语料，这道前置工程往往耗费大量算力与人力。DeepSeek-OCR若能维持识别准确度、同时压低这道工序的成本，等于间接降低整个AI模型开发的门槛，这也是多方开发者将其视为基础设施层级工具的原因。
对管理者而言，这则新闻再次证明：AI竞赛的下一阶段比拼的不只是模型聪不聪明，更是“处理数据的效率与成本”。企业内部如果堆积大量纸质合同、报表、检验记录等文档亟待数字化，这类开源工具的成熟，意味着未来把内部文档转为可搜索、可分析数据的门槛会持续降低，值得留意后续是否有更好用的商用化版本或集成工具出现。