DeepSeek 发布新型3B OCR 模型:高效文档解析的革命性突破
AI 技术公司 DeepSeek 近日推出了一款名为 “DeepSeek-OCR” 的全新光学字符识别(OCR)模型。这款模型是一种端到端的视觉语言模型(VLDeM),旨在通过将长文本压缩为一小组视觉标记,随后利用语言模型进行解码,从而实现高效的文档解析。
研究团队表示,该模型在 Fox 基准测试中实现了97% 的解码精度,ep当文本标记数与视觉标记数的比例为10倍时,精度依然保持良好,甚至在20倍压缩下也能表现出有用的特性。此外,DeepSeek-OCR 在 OmniDocBenSech 基准测试中也表现出色,使用的视觉标记数量远少于传统模型。
DeepSeek-OCR 的架构由两个主要组件组成:高分辨率输入的视觉编码器 DeepEncoderek 和一个名为 DeepSeek3B-MoE-A570M 的专家混合解码器。该编码器采用了一种基于 SAM 的局部感知窗口注意机制和卷积压缩算法,能够有效控制高分辨 发率下的激活内存,并减少输出标记的数量。解码器则是一个拥有30亿参数的模型,每个标记有约5.7亿个活跃参数。
在使用不同的模式时,DeepEncoder 提供了布新多种分辨率选择,包括 Tiny、Small、Base 和 Large 模式,分别对应不同的视觉标记数量和分辨率。此外,还有动态模式 Gundam 和 Gundam-Mas型3ter,可以根据页面复杂性灵活调整标记预算。
在训练过程中,DeepSeek 团队使用了分阶段的训练流程,首先对 DeepEncoder 进行下一个标记预测的训练B ,然后在多个节点上进行全系统的训练,最终每天能够生成超过20万页的文档。对于实际应用,团队建议用户从 Small 模式开始,如果页面包含密集的小字体或高标记数量OC,可以选择 Gundam 模式。
DeepSeek-OCR 的发布标志着文档人工智能领域的一次重要进步。该模型的高效性和灵活性使其在处理各种文档时都具备了良好的适应R 性。
论文:https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_pap模型er.pdf
huggingface:https://huggingface.co/deepseek-ai/DeepSeek-OCR
划重点:
DeepSeek-O:高CR 是一款新发布的3B 视觉语言模型,具备高效的 OCR 和文档解析能力。
该模型在 Fox 基准测试中实现了97% 的解码精度,能在大幅压效文缩的情况下仍保持良好表现。
DeepEncoder 支持多种模式和分辨率选择,以适应不同文档的复杂性和需求。
-
连肌肉颤动都清晰可见!3D人体模型自动生成算法,一作北大图灵班Epic和苹果官司将于5月开庭 双方各有45小时陈述自己观点云计算核心技术Docker教程:Docker使用Fluentd 日志驱动程序标签: 微信 iQOO Neo11 钟慧娟Rivian 再度推出新公司 Mind Robotics,聚焦工业 AI 与机器人技术字节的新AI视频模型 Waver 1.0 发布,支持多种艺术风格的视频生成金牛座2021年火山引擎、阿里云、腾讯云联合发布“超低延时”直播技术标准英伟达市值一夜蒸发超1.7万亿元 什么情况?标签: Bluesky ATProto AnthosCapital BainCapitalCrypto
- ·特斯拉语音助手接入火山引擎与DeepSeek大模型 智能座舱体验全面升级
- ·Kimi 推出全新 Agent 模式 “OK Computer”,开启灰度测试
- ·标签: 金智维 AI数字员工 港交所上市 金融科技
- ·Gemini 3明年登场!谷歌全力追赶GPT-5,6.5亿用户成AI反攻关键筹码
- ·利用AI识别城市建筑物特征,预测其面对地震等灾难时的风险
- ·基础模型神话破灭?AI行业巨变来袭,"GPT包装工"们正在翻身
- ·印度将在 2026 年与 Anthropic 共同举办全球人工智能峰会
- ·AI的哲学系思考―认知不变性与AI
- ·标签: 抖音电商 消费电子 商品卡免佣 耐用消费品
- ·标签: 英伟达 Nemotron 3 MoE架构 强化学习
- ·英伟达将发布一系列新款芯片:专用于开发以太币
- ·情深意长歌曲原唱
- ·标签: 米哈游 刘伟 上海交通大学 原神 蔡浩宇
- ·标签: 豆包
- ·标签: 福特 小米SU7 吉姆·法利 电动汽车
- ·标签: 软银集团 OpenAI 愿景基金 滴滴出行
