2025年10月20日，DeepSeek开源了3B参数的小模型DeepSeek-OCR，创新性地采用“光学压缩”技术处理文本信息。通过将文本转为图像，模型实现7-20倍的Token压缩率，同时保持OCR准确率高达97%以上。其核心组件包括负责图像特征提取的DeepEncoder和基于MoE设计的解码器DeepSeek-3B-MoE，能在高分辨率输入下控制内存开销，并支持多分辨率模式。团队利用3000万页多语言PDF数据训练模型，涵盖100种语言，还开发了“模型飞轮”机制优化少数语言识别能力。此外，DeepSeek-OCR具备深度解析功能，可提取复杂图像中的结构化数据，在STEM领域潜力巨大。研究还提出用光学压缩模拟人类遗忘机制，探索超长上下文处理的新方向。这一创新为VLM和LLM的发展开辟了新赛道。

10月20日，DeepSeek-AI团队发布论文《DeepSeek-OCR：Contexts Optical Compression》，提出利用视觉模态压缩长文本上下文的新方法，并开源模型DeepSeek-OCR。该模型由核心编码器DeepEncoder和解码器DeepSeek3B-MoE-A570M组成，参数量为3B。DeepEncoder在高分辨率输入下保持低计算激活，同时实现高压缩比。实验显示，在文本token数量不超过视觉token的10倍时，OCR精度可达97%；即使压缩比达20×，准确率仍约60%。在OmniDocBench测试中，使用100个视觉token即可超越GOT-OCR2.0，不到800个视觉token优于MinerU2.0。实际生产中，单块A100-40G显卡每天可生成超20万页训练数据。项目已在GitHub和Hugging Face开源。