DeepSeek開源DeepSeek-OCR：用「視覺壓縮」讓AI一天讀懂20萬頁文件
DeepSeek於2025年10月20日在GitHub以MIT授權釋出DeepSeek-OCR，核心技術「上下文光學壓縮」把長文字轉成精簡視覺token再還原，單張A100顯卡每日可處理逾20萬頁文件，大幅降低長文件辨識與AI訓練資料處理的運算成本。
2025年10月20日，中國AI公司DeepSeek在GitHub以MIT授權（可自由商用、修改、再散布）公開釋出新模型DeepSeek-OCR。這是一套端到端的開源文件光學辨識（OCR）與版面理解系統，官方定位不只是「掃描文字」，而是要解決大型語言模型處理長文件時效率低、成本高的問題。根據官方公布的實測數據，單張NVIDIA A100-40G GPU一天可以處理超過20萬頁文件資料，主要用途是為大型語言模型（LLM）與視覺語言模型（VLM）的訓練，快速產生大量可用的文字資料。
核心技術：把文字「拍成照片」再壓縮
DeepSeek-OCR最特別之處在於它的技術路線——官方稱之為「上下文光學壓縮」（Contexts Optical Compression）。傳統OCR是把圖片中的文字逐字辨識輸出，但面對長篇文件，文字量一大，AI模型要處理的token數就會暴增，運算成本隨之飆升。DeepSeek-OCR反其道而行：先把大量文字「視覺化」壓縮成少量的視覺token，再透過輕量化解碼器把這些視覺token還原回完整文字。同樣的文字內容，用視覺token表示所需的運算資源遠少於直接用文字token表示，因此能大幅提高長文件的處理速度，同時壓低運算成本。
與傳統OCR、既有工具的差異
市面上OCR工具多數是針對「單頁掃描辨識精準度」優化，處理長文件時仍需把每頁結果串接、再交由後端AI逐段消化。DeepSeek-OCR則是把「長文件處理效率」本身當成設計目標，並開源釋出模型權重與程式碼，讓開發者可以直接部署、自行訓練調整，而非透過付費API使用。這延續了DeepSeek過去（如DeepSeek-V3.2-Exp、DeepSeek-V3.1）一貫的開源策略：快速累積開發者社群與應用生態，同時展示自身工程優化能力。
業界反應：資料處理成本是AI競賽的隱藏戰場
DeepSeek-OCR釋出後，開發者社群關注焦點多集中在「20萬頁/日」這個效率數字，以及它對AI訓練資料生產鏈的意義。主流大型語言模型的訓練與微調，高度仰賴把PDF、掃描件、表單等非結構化文件轉換成乾淨文字語料，這道前置工程往往耗費大量算力與人力。DeepSeek-OCR若能維持辨識準確度、同時壓低這道工序的成本，等於間接降低整個AI模型開發的門檻，這也是多方開發者將其視為基礎設施層級工具的原因。
對管理者而言，這則新聞再次證明：AI競賽的下一階段比的不只是模型聰不聰明，更是「處理資料的效率與成本」。企業內部如果堆積大量紙本合約、報表、檢驗紀錄等文件亟待數位化，這類開源工具的成熟，代表未來把內部文件轉為可搜尋、可分析資料的門檻會持續降低，值得留意後續是否有更好用的商用化版本或整合工具出現。