昼颜

襄阳42150288号站：99年小伙让产品触手可及_我的网站

一 |     在襄阳长虹路的地下过街通道里，有一家以即开票销售为主的福彩青创店——42150288站，业主李俊杰大学毕业后一直扎根于电子数码领域，亲历市场迭代与行业竞争。

二 | 2025年3月，一次偶然的机会，经朋友推荐，他深入了解湖北福彩青创计划，被多项扶持政策深深吸引，毅然决定跨界转型、创业逐梦。

三 | 确定方向后，他迅速推进选址筹备，积极参加湖北福彩青创培训，系统学习福彩发展历史、行业规范与彩票相关专业知识，顺利通过考核结业。经过紧锣密鼓的装修筹备，投注站于2025年5月1日正式开业运营。

四 | 开业以来，他与妻子携手深耕、勤勉经营。    就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。虽然体量不大，但模型思路创新的力度着实不小。                   众所周知，当前所有LLM处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。夫妻俩始终秉持福彩公益理念，主动融入社区服务，门店常年提供免费充电、零钱兑换等便民服务。地下通道人流如织，遇到门口有人摔倒，他们会第一时间扶起，并帮忙消毒包扎，用点滴善举传递福彩温暖。

五 | 序列越长，算力烧得越狠。针对年轻购彩群体，店主创新经营思路，依托刮刮乐客源搭建社群链接，拉近与彩民的距离，让管理站各项活动与资讯能够精准触达。同时，他积极参与管理站组织的学习交流活动，坚持复盘总结、学以致用，不断优化经营方法，形成贴合门店实际的经营模式。                             于是，DeepSeek团队想到了一个好办法。既然一张图能包含大量文字信息，而且用的Token还少，那不如直接把文本转成图像？这就是所谓的“光学压缩”——用视觉模态来给文本信息“瘦身”。                   而OCR正好天然适合验证这个思路，因为它本身就是在做“视觉→文本”的转换，而且效果还能量化评估。

六 | 李俊杰介绍，地下通道的日均人流在5000人左右，周末10000人左右，有骑车的、有步行的都是自己的潜在客户，将五颜六色的即开票坚持摆出来、摆漂亮，这样做，不仅可以做产品展示，还能吸引客户进店。                             论文显示，DeepSeek-OCR的压缩率能达到10倍，OCR准确率还能保持在97%以上。初心如磐，笃行致远。从跨界新人到优秀经营者，李俊杰这位青年创业者在平凡的福彩销售岗位上，用心用情书写着青春奋进与公益向善的崭新篇章！。                   啥意思呢？就是说，原本需要1000个文本Token才能表达的内容，现在只用100个视觉Token就搞定了。即使压缩率拉到20倍，准确率也还有60%左右，整体效果相当能打。                   OmniDocBench基准测试结果显示：                    只用100个视觉Token，就超过了GOT-OCR2.0（每页256个Token）的表现；          用不到800个视觉Token，干翻了MinerU2.0（平均每页超过6000个Token）。                        在实际生产中，一块A100-40G显卡就能每天生成超过20万页的LLM/VLM训练数据。20个节点（160块A100）直接飙到每天3300万页。                             DeepSeek-OCR由两个核心组件组成：                    DeepEncoder（编码器）：负责图像特征提取和压缩；          DeepSeek3B-MoE（解码器）：负责从压缩后的视觉Token中重建文本。                        让我们来重点说说DeepEncoder这个引擎。                   它的架构很巧妙，通过把SAM-base（8000万参数）和CLIP-large（3亿参数）串联起来，前者负责“窗口注意力”提取视觉特征，后者负责“全局注意力”理解整体信息。                   中间还加了个16×卷积压缩器，在进入全局注意力层之前把Token数量大幅砍掉。

七 |                    举例而言，一张1024×1024的图像，会被切成4096个patch token。但经过压缩器处理后，进入全局注意力层的Token数量会大幅减少。                   这样的好处是，既保证了处理高分辨率输入的能力，又控制住了激活内存的开销。                   而且DeepEncoder还支持多分辨率输入，从512×512的Tiny模式（64个Token）到1280×1280的Large模式（400个Token），一个模型全搞定。                   目前开源版本支持的模式包括原生分辨率的Tiny、Small、Base、Large四档，还有动态分辨率的Gundam模式，灵活性拉满。                             解码器用的是DeepSeek-3B-MoE架构。

八 |                    别看只有3B参数，但采用了MoE（混合专家）设计——64个专家中激活6个，再加2个共享专家，实际激活参数约5.7亿。这也让模型既有30亿参数模型的表达能力，又保持了5亿参数模型的推理效率。

九 |                    解码器的任务就是从压缩后的视觉Token中重建出原始文本，这个过程可以通过OCR风格的训练被紧凑型语言模型有效学习。                   数据方面，DeepSeek团队也是下了血本。                   从互联网收集了3000万页多语言PDF数据，涵盖约100种语言，其中中英文占2500万页。                   数据分两类：粗标注直接用fitz从PDF提取，主要训练少数语言的识别能力；精标注用PP-DocLayout、MinerU、GOT-OCR2.0等模型生成，包含检测与识别交织的高质量数据。                   对于少数语言，团队还搞了个“模型飞轮”机制——先用有跨语言泛化能力的版面分析模型做检测，再用fitz生成的数据训练GOT-OCR2.0，然后用训练好的模型反过来标注更多数据，循环往复最终生成了60万条样本。

十 |                    此外还有300万条Word文档数据，主要提升公式识别和HTML表格解析能力。                   场景OCR方面，从LAION和Wukong数据集收集图像，用PaddleOCR标注，中英文各1000万条样本。                             DeepSeek-OCR不仅能识别文字，还具备“深度解析”能力，只需一个统一的提示词，就能对各种复杂图像进行结构化提取：                    图表：金融研究报告中的图表可以直接提取为结构化数据；          化学结构式：识别并转换为SMILES格式；          几何图形：对平面几何图形进行复制和结构化解析；          自然图像：生成密集描述（dense captions）。

十一 |                         这在STEM领域的应用潜力巨大，尤其是化学、物理、数学等需要处理大量符号和图形的场景。                   第一作者Haoran Wei此前曾供职于阶跃星辰，期间发布并开源了GOT-OCR2.0系统                    值得注意的是，DeepSeek团队在论文里还提出了一个脑洞大开的想法——用光学压缩模拟人类的遗忘机制。                   人类的记忆会随时间衰退，越久远的事情记得越模糊。

十二 | DeepSeek团队想，那能不能让AI也这样？于是，他们的方案是：                    1. 把超过第k轮的历史对话内容渲染成图像；          2. 初步压缩，实现约10倍的Token减少；          3. 对于更久远的上下文，继续缩小图像尺寸；          4. 随着图像越来越小，内容也越来越模糊，最终达到“文本遗忘”的效果。                   这就很像人类记忆的衰退曲线，近期信息保持高保真度，久远记忆自然淡化。

十三 |                    虽然这还是个早期研究方向，但如果真能实现，对于处理超长上下文将是个巨大突破——近期上下文保持高分辨率，历史上下文占用更少计算资源，理论上可以支撑“无限上下文”。

十四 |                              简言之，DeepSeek-OCR表面上是个OCR模型，但实际上是在探索一个更宏大的命题：能否用视觉模态作为LLM文本信息处理的高效压缩媒介？                    初步答案是肯定的，7—20倍的Token压缩能力已经展现出来了。                   当然，团队也承认这只是个开始。单纯的OCR还不足以完全验证“上下文光学压缩”，后续还计划开展数字–光学文本交替预训练、“大海捞针”式测试，以及其他系统性评估。                   不过不管怎么说，这在VLM和LLM的进化路上，又多了一条新赛道。                   去年这个时候，大家还在卷怎么让模型“记得更多”。今年DeepSeek直接反其道行之，不如让模型学会“忘掉一些”。                   确然，AI的进化，有时候不是做加法，而是做减法。小而美，也能玩出大花样，DeepSeek-OCR这个3B小模型就是最好的证明。                   GitHub主页：http://github.com/deepseek-ai/DeepSeek-OCR          论文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek\_OCR\_paper.pdf          模型下载：https://huggingface.co/deepseek-ai/DeepSeek-OCR                    本文来自微信公众号：APPSO （ID：appsolution）。

Current article:http://5mlc.shuicengchongmingnouhuawang.bond/k5ilb/e4cph.html

Published on:22:28:39