我肤浅了，DeepSeek OCR 目前引起了广泛的讨论。其根本原因不在于拥有了多模态中的视觉能力，而是 DeepSeek 训练出来了一个专精文本视觉内容的视觉语言模型。
他的确在处理非文字图像上不太行，这也是被低调的命名为 OCR 的原因吧。
但是，这个开源模型很小，3B ，这很接近前两天我转发的前 Open AI 员工访谈中说的，拥有人类核心知识的模型可能只需要 1B 。
而且，这个模型的运行成本非常低，效果媲美主流商业模型。这得益于上下文压缩机制的创新以及训练范式的差异。
也就是说，这是一个很小的，高效的，但是可以像人一样看文档的模型。他会关注文档的布局，字体，其中的表格等等元素，同时也能处理弯曲排版或者手写字体。
今天我们已经用软件发展了比较强大的 OCR 能力，为何需要一个 OCR 模型呢？
1
拥有视觉和自然语言理解能力的 DeepSeek OCR 的能力会比扫描软件更强大。
训练完成后，出现新的字体，或者排版比以往混乱，并不会导致他识别不了视觉内容。
2
DeepSeek OCR 本身是开源的。所以他可以轻易的被整合到任何 MoE 大模型中。
这样模型之间的交流可以用比人类的自然语言更高效的方式，token 序列或嵌入向量（embeddings）。我估计这也是 DeepSeek OCR 本来的设计用途。
简而言之，DeepSeek 再一次在视觉上挑战了规模法则，并且成功了。
而且，再次用 MoE 模式增加了一个实用的高效模型，并且可以整合到全球所有开源模型（甚至包括商业模型都可能使用）。
模型的能力突破，真的未必是天量数据，天量算力的暴力训练了。
当人类越来越了解模型，并且数据越来越准确精细，我们是有能力训练出一系列能力非常强，成本非常低的专业模型，并且通过他们的协作，最终更好的解决通用问题的。
再简而言之，
会越来越像人类的公司。
