DeepSeek-OCR: Compresión óptica de contextos 10X. El futuro del OCR y la eficiencia en LLMs

DeepSeek-OCR es una investigación pionera que valida la viabilidad de la compresión óptica de contextos largos utilizando un mapeo 2D, abordando los desafíos computacionales que enfrentan los LLMs (Large Language Models) al procesar contenido textual extenso. El núcleo del modelo es DeepEncoder, diseñado para mantener activaciones bajas y asegurar un número óptimo y manejable de tokens de visión, incluso con entradas de alta resolución. Los resultados son prometedores: DeepSeek-OCR puede alcanzar una precisión de decodificación OCR del 97% cuando el ratio de compresión es inferior a 10 veces, lo que demuestra la efectividad de la compresión. El modelo demuestra un alto valor práctico y un rendimiento de estado del arte en OmniDocBench, superando a GOT-OCR2.0 usando solo 100 tokens de visión, y a MinerU2.0 mientras utiliza menos de 800 tokens, lo que subraya su eficiencia y capacidad de utilizar la menor cantidad de tokens de visión. Además de procesar textos en casi 100 idiomas, DeepSeek-OCR está equipado con capacidades de OCR 2.0 para el análisis profundo de gráficos, fórmulas químicas y figuras geométricas, y puede generar datos de entrenamiento para LLMs/VLMs a una escala de más de 200 mil páginas por día.https://huggingface.co/deepseek-ai/DeepSeek-OCR