deepseek刚发了个DeepSeek-OCR的新模型。
这么看起来，DeepSeek v4应该是个多模态模型了。 ​​​​
-----
看论文，该模型的重点不在ocr，而是提出了一种新的方法，来让模型处理长上下文时占用更少的资源。大概是一张包含大量文字的图片可以用比原始数字文本少得多的“vision tokens”来表示 。因此，通过视觉语言模型 (VLM) 将文本“渲染”成图片（光学压缩），再让模型从图片中“读取”恢复出文字（解压缩），有望大幅降低处理长文本的成本 。