事件描述
　　10月20日DeepSeek开源DeepSeek-OCR模型，3B参数，专为实现高效视觉-文本压缩而设计的VLM，首次提出“上下文光学压缩（Contexts Optical Compression）”，通过文本转图像实现信息的高效压缩，目前已在Hugging Face开源。
　　事件评论
　　DeepSeek-OCR模型核心价值在于验证了视觉token可以更高效地表达信息。通过光学二维映射技术压缩长文本上下文可行性的初步探索，提供降本新思路。当文本token数量在视觉token的10倍以内（即压缩率<10×）时，模型的解码（5OCR）精度可达97%；即使在压缩率达到20×的情况下，OCR准确率仍保持在约60%。这一结果显示出，通过使用视觉模态作为文本信息的有效压缩媒介，在长上下文压缩和LLM的记忆遗忘机制等研究方向上具有相当潜力。
　　应用价值高，在端到端模型测试中以最少的视觉token数达到了最先进的性能。OmniDocBench基准测试中，以100个视觉token超过GOT-OCR2.0（256token/页）的表现；以不到800个视觉token优于MinerU2.0（平均6000+token/页）。在实际生产环境中，每日可在单张A100-40GGPU生成超过20万页（200k+）LLM/VLM训练数据。多轮对话中，模型可以通过光学压缩的方式折叠旧对话内容，让过去的上下文以更低的计算成本被保留，从而在理论上实现无限上下文的架构。
　　泛化能力强、应用场景广。（1）深度解析（OCR 2.0）：模型能够对图表、几何图形、化学公式、自然图像进行深度解析，比如能将金融报告里的图表直接转成结构化数据，化学结构式转成SMILES格式，只需使用一个统一提示词（prompt）即可完成。（2）多语言识别：针对PDF文档支持近100种语言的识别。（3）通用视觉理解：具备一定程度的通用图像理解能力。我们认为，OCR模型的突破进一步扩展模型能力与场景的边界，有望DeepSeek-OCR成为文档智能领域的基础组件。
　　架构突破，提出一种新的视觉编码结构DeepEncoder，实现高分辨率下高效提取视觉特征并显著减少视觉token数量。架构分为三部分：（1）核心是DeepEncoder，SAM-base（提局部特征）+CLIP-large（提全局语义）串联，中间有两层16x卷积模块，能把1024×1024输入从传统~4096个视觉token压缩到约256个token（支持多档分辨率模式）。（2）轻量MoE解码：文本解码器（DeepSeek-3B）使用MoE结构（64个专家，激活6个），实际推理只用到约570M参数，效率比全量3B模型高。训练流程上分两阶段，先单独训练DeepEncoder（视觉部分），再全模型联合训练（视觉+语言）。
　　持续关注后续大模型视觉架构的演进。我们认为，当前成本依然是制约token消耗量的核心因素，OCR模型有望打破算力约束、重新定义大模型上下文处理方式的新路径。当前时点继续看好国产AI产业链，持续重点推荐铲子股和卡位优势显著的巨头本身。
　　风险提示
　　1、AI技术发展不及预期；
　　2、下游应用需求不及预期。