🧮 **强大的OCR与信息压缩能力**：DeepSeek-OCR不仅在OCR技术上表现出色，能准确识别数学公式、手写中文和英文，更将信息压缩作为核心目标。其核心在于将长文本信息转化为图像表示，再从图像恢复文本，实现了高效的信息压缩（10倍压缩比，97%恢复率），有效解决了大语言模型面临的“内存爆炸”问题，使其能够更好地记忆和处理长篇内容。

💡 **AI视觉化思考与理解**：该模型展现了AI向更类人化思考方式的演进。它能够理解图像中的物体（如“人”、“椅子”）和算式，并能将复杂的文本描述压缩成视觉画面，如同将巨著转化为连环画。这种能力基于对世界的初步认知，使得AI能像人类一样，将记忆转化为画面，并选择性地记忆重要信息。

📈 **实际应用与成本考量**：DeepSeek-OCR在文档识别，特别是考试文档中的数学图表识别方面表现优于许多收费OCR服务。然而，在处理表格开头等特定场景时仍存在识别问题。用户在考虑使用时，需权衡自有部署（如2.2万元的显卡成本及每月约1000元运营费）与第三方服务之间的成本效益，尤其当调用量不大时，付费服务可能更为经济。

🤔 **取舍与局限性**：尽管DeepSeek-OCR取得了显著进展，但其97%的识别率在某些高精度要求的场景（如考号识别）下仍显不足。信息冗余和细节在信息学中是保证信息稳定的关键。用户需要根据实际需求，在AI的“细心”与“长期记忆”之间做出选择，理解DeepSeek-OCR并非万能解决方案，而是一个需要根据具体情况进行权衡的工具。

10月21号，DeepSeek-OCR发布的第二天，我发了一个朋友圈说：

DeepSeek-OCR，yesterday发布，今天就6.5k Star，Downloads 32k+。已经不需要多说什么了。一句话类比就是昨天刚宣布要拍《三体》电视剧，今天就已经全集上线，并且每一帧画面都是你想要的字幕和解析。

对我这种长期和OCR打交道的人来说，这是一个非常震惊的消息。因为他的功能很强大，不只是识别数学公式，也能识别化学公式（公式里面有中文，很多团队在攻克，并打算借此引爆行业）。关键是你知道吗？OCR上的进步，并不是他的目的，它的初心是信息压缩。我担心朋友们体会不到它的价值，又在朋友圈下给自己评论说：

大语言模型目前有个问题，内存爆炸（健忘）。也就是你和他聊了半个小时，他只记得最近十分钟的事情。那我有几百页的报告，一部百万字的小说，它很崩溃。于是，这个方案将聊天生成图像数据。前特斯拉AI总监也说过，像素可能比文本更适合做输入，因为“一图胜千言”。我们人类的脑海就是浮现画面而非字符。于是，图表、表格、图像它是理解后记忆的，是读懂了的。这应该是一项“核心技术机密”，DeepSeek选了开源（免费公开），因此立即获得全球关注和赞誉。

现在一周过去了，DeepSeek-OCR在Github上已经有17.6k Star，Downloads也超过73万次了。我当然是其中一员。

每一个新模型出来，我都会试试。因为所有的模型宣传的都很好，实际效果可能一般。很多模型会拿自己跟其他火热的模型去比，强调自己哪些方面胜过它们。这是一种“我没说第一，但是我打败了武林第一”的宣传。当然，DeepSeek-OCR也如此。

这里面什么“GOT-OCR”、“dots.ocr”都曾经是OCR的“武林第一”。我也曾一次次研究并实践过它们。不得不承认，他们各有千秋，但仅仅是在某一方面比较强。比如有的人单刀很厉害，有的人则长拳很棒。这两者如何对决？

想要体验DeepSeek-OCR，你可以去它的Github仓库（github.com/deepseek-ai…

很多算力平台提供这项服务，类似于拎包入住，自动给你部署好你需要的模型环境。我也是用这种方式尝试DeepSeek-OCR。

先说结论，再说效果，最后说取舍。

结论是如果要求不高的话，DeepSeek-OCR基本上可以替换你现有收费的OCR服务。替换的前提是你得有量，因为部署需要成本，你得采购2.2万元的显卡设备，然后每月1000左右的电费、网络、机房成本。如果你调用一次哪怕1块钱，每年才调用10000次，那也不过是1万块钱，没必要花彩礼、投感情，直接快餐就好。

下面说效果，首先尝试手写中文和手写英文。

它基本能准确识别手写的中文和英文。

然后，看看它对于文档，尤其我这种经常处理考试文档的人来说，效果如何。

相比较于目前收费的OCR，它对于数学图表的识别较为准确。这原来可是一个难题。

因为数学的图表和正常文字，区分度不大，很容易混淆。就像是上图中间的ABCDE，你说它是文本，好像也可以。

客观地说，DeepSeek-OCR也有问题。比如遇到表格时，尤其表格开头时，它会发生问题。

比如类似如下的图(以表格开头)：

那么它会认为全文都是表格，输出的内容会一直table下去。

除此之外，我们需要有一个清醒的人认识。DeepSeek-OCR的起源是信息压缩，OCR只是在这个过程中的一个副产物。

它要把上下文压缩，它就需要对这个世界有个基础的认识。例如，让它在下面这张图片上框出看到的物体，它能清晰地找到“人”、“椅子”等物体。

同时，让它找到“11-2=”这个算式在哪里。它也可以做到。

做到上面行为的一个基础，就是先OCR识别出文字。因此，我们说OCR是它的一个副产物。

而它的核心是信息压缩。

再举个例子，你写了很长一段话：

有一个红色的消防栓。消防栓上有一个笑脸，显得非常友好和亲切。消防栓的顶部有一个黑色的盖子，周围有一些金属铆钉。在消防栓的底部，有一个粉红色的贴纸，上面写着“bowtie”。背景中可以看到一条街道，街道上有几辆停放的汽车和一些树木……

不是这么短，而是非常长，它包含了很多信息，DeepSeek-OCR将它压缩为如下图像的形式。

这很像将全本的《水浒传》原著转换为薄薄的手掌连环画。而经过训练的DeepSeek-OCR变为一个老评书艺人，它可以将这本连环画再恢复为原著文字的鸿篇巨著。10倍压缩比，恢复率是97%，也就是1000个文字token可以用100个视觉token来表示。压缩比提升到20倍，准确率在60%左右。

第一，这很强大，解决了大语言模型内存爆炸的问题。它不会忘了你们是因什么开始聊天的。

第二，它丢失了信息。在人工智能领域，97%是极低的一个消极的正确率。

拿我现在做考号识别来说，如果数字识别率是97%，这会是很糟糕的一种情况。

一个班里有50个学生，一个学生有6位考号，那么一次考试就是300个数字。97%的正确率，那么就会有9个数字识别错误。每个学生但凡错了一个数字，就会导致考号错误。50个人有9个出错，这几乎没法用。

另一方面，从信息学我们也知道，信息冗余才是保证信息稳定的关键，而信息细节更为重要。人工智能为什么要用浮点数做计算？拿厨房举例子：研究时要求FP64（研发添加剂，精密天平），训练时要求FP32（制作料包，厨房电子秤），推理时可以FP16（做饭，小勺或瓶盖）。

我觉得它的进步体现在AI开始更像人一样思考。它将记忆转换为画面，而且会长期记忆一些印象深刻的事件，扔掉一些自己认为不重要的事件。

你选它也是一样。你是选一个无比细心但是只有三分钟热度的男朋友，还是选一个记不住你生日但知道你对什么过敏的男朋友。

最后说一下测试结果，如果你买24G的一台显卡比如RTX 4090，再配上CPU、内存、硬盘、电源等形成工作站，理想状态是10秒钟并发处理30张图片。如果你有200张图片，得1分钟以后处理完。因此，是租是买，是用它还是用别家，还是看需求与实力。

你看，最终它仍然是一个取舍。并不是万能方案。