新开源DeepSeek-OCR，正在用眼睛“看懂”世界

就在昨晚，DeepSeek发布了新模型，也就是那个ocr。

今天，我的手机就被DeepSeek新开源的那个OCR模型刷屏了。

然后我看到一句话写的很好，遗忘也是一种优化策略。

我一行行读着那些技术拆解：“10倍上下文压缩”、“视觉Token”、“DeepEncoder”、“3B MoE解码器”…说实话，一开始我有点技术性的眩晕。这些词汇构建起了一堵高墙，高效，但也冰冷。

直到我看到一些评论说，不要把 DeepSeek OCR仅仅当作 OCR 模型看，就像人类记住一些事情，时间久了会慢慢遗忘，但部分信息已经抽象出来，依稀记得个大概，当需要用到是，这种模糊的记忆就全出来了。

一瞬间，某种东西被点通了。

回想起来，我们和AI打交道的方式，一直很“拧巴”。

那个时候，我们用OCR，是拼了命地想把图片里的文字“抠”出来，转换成AI能理解的纯文本字符串。我们是在“削足适履”，强迫这个五彩斑斓、图文混排的物理世界，去适应AI那个贫瘠的、一维的文本框。

我们忍受着糟糕的排版识别、丢失的上下文、支离破碎的格式。我们默认了一个前提：AI是“瞎”的，它只懂文本。

但DeepSeek这次在干嘛？

它用了一种极其“鬼才”的思路。它不是在“读”字，它是在“看”字。

它把一整页文档（无论多复杂）当作一张完整的“图像”来看待，然后用一种高效的视觉压缩方式，把这整页的信息，酣畅淋漓地压缩成几百个，甚至几十个“视觉Token”。

然后它告诉大模型：你别读文本了，你就“看”这些压缩后的“视觉Token”吧。

结果呢？

10倍的压缩率，识别准确率依然高达97%。

这就像Karpathy（前特斯拉AI总监）的那个设想：也许未来LLM（大语言模型）的所有输入都应该是图像，哪怕是纯文本，也先渲染成图片再喂给模型。

我们绕了一个大圈，从“图像→文本”，又回到了“文本→图像”。

我们真正想要的，从来不是一个更牛逼的OCR工具。我们想要的是一个能理解我们“版面语言”的AI。

为什么一份PPT要那样排版？为什么一张网页要把最重要的信息放在左上角？为什么一个复杂的仪表盘里，图表和数字是那样布局的？

这些“版式”、“布局”、“图文混排”本身就是信息，是人类社会上千年来沉淀下来的“视觉共识”。它有重点、有逻辑、有呼吸感。这是一种“活人感”。

过去的AI读不懂这些。你把一张复杂的网页扒成纯文本喂给它，它的灵魂就丢失了。它不知道什么是标题，什么是注释，什么是强调。

而DeepSeek-OCR，用“视觉压缩”的方式，恰恰是在保留这种灵魂。

它不是在“识字”，它是在“识局”，识别那个布局。

所以，我们不能只把它当OCR看。它的真正野心，是让AI学会“阅读”我们真实世界里的复杂文档：那些网页、PPT、SaaS软件的截图、那些混杂着化学公式和图表的论文。

这些东西，一旦强行转成纯文本，信息就损失殆尽。而DeepSeek在做的，是为AI保留那个完整的“现场”。

我不再把它看作一个单纯的OCR工具了。我更愿意把它看作一个“世界阅读器”的雏形。

它在用一种新的方式，让AI睁开眼睛，学会用我们人类习惯的方式，去“看”我们创造的知识。

至于那个用不同“分辨率”来模拟“遗忘机制”的假想，也很有意思。虽然我也觉得（像汪源说的）这更像“近视”而不是“遗忘”，但这个方向的探索，充满了技术的人文主义色彩。

AI不仅要学会看，还要学会“瞥”，学会“忘”，学会抓重点。

毕竟，遗忘也是一种优化策略。

两年多过去，AI的进化是肉眼可见的。但直到今天，我才感觉到，它终于开始学着，真正“读懂”我们这个，有点潦草、有点混乱，但充满结构和意图的真实世界了。

这比单纯的参数竞赛，要酷得多。

关注公众号，用极客视角洞察未来！