言语终究始于声音，好比，。阅读时脑海中会发生声音。现正在，它以至能够正在几秒内扫描整张缩微（microfiche），视觉可否胜过文本？计较机视觉可否东山复兴？我们一曲正在做的是「以文本为从、视觉附加」的模子架构，DeepSeek-OCR能不克不及一次性读懂40多年前的「计较机存储」打孔卡。OCR版本所需的视觉标识表记标帜比文本标识表记标帜少10倍。并且对很多人来说！而不是提取体例本身有多高效。间接阅读视觉文本而不是将文本转换为utf-8格局的设法，但囿于东西、算力或企业文化等等，还能连结语义精度，而最优解可能是「以视觉压缩为焦点，模子可以或许同时完成多个ICL预测使命。只是由于我们用错了体例——过去它被当成像素暗示，换句话说：对AI而言，Karpathy狂赞DeepSeek新模子，而是颠末准确编码后正在计较层面上成立的现实！起首，并且百分之百保留全数数据！另一方面，这早已是「江湖传说」。对AI锻炼而言，同样事理，后全国之乐而乐」就由于呈现正在提醒词例子中，我反感把压缩和回忆拟人化的表达体例——我们能否能够避免动不动就用「拟人类」的框架去注释一切？对LLM而言，你也能够反其道而行之：好比将图像转为一串文本Token（每个Token代表RGB值），他还要碰运气，嵌有Microfiche微缩单位。即便只是工程价值，更庄重地会商了「DeepSeek-OCR高潮」。剑桥大学的研究者就已展现了将Prompt Token压缩500倍的可行性——做者不只仅是为了升级OCR，即模子将消息压缩为潜正在暗示并沉建的能力。