浙江
本周，DeepSeek 新開源的 DeepSeek-OCR 在開源社區(qū)的熱度持續(xù)發(fā)酵。
人們興奮的點(diǎn)是：它不僅是一款新的光學(xué)字符識(shí)別模型，還更像是一次對(duì) “ 大模型記憶機(jī)制 ” 的重新設(shè)計(jì)。
在 DeepSeek-OCR 的架構(gòu)中，圖像不再只是文字的載體，而是成為一種語義壓縮的中間語言。文字被渲染成圖像后，經(jīng)由 DeepEncoder 轉(zhuǎn)換為緊湊的視覺表征；這些視覺 token 既可以通過 DeepSeek 3B-MoE 模型還原為原始文本（這也是標(biāo)準(zhǔn)的 OCR 機(jī)制），也可以與其他輸入 token 與 prompt 結(jié)合，執(zhí)行問答、摘要、檢索等復(fù)雜任務(wù)。
通俗來說，就是我們可以把大量文字打包壓縮成一張圖片來節(jié)省空間，等需要使用的時(shí)候再解壓出來，甚至在一部分使用場(chǎng)景中，你甚至不需要解壓，直接用壓縮包就可以達(dá)成目的。
DeepSeek-OCR 模型架構(gòu)。圖源：
https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
即便在 10× 壓縮比的條件下，模型的文本還原精度仍可達(dá) 97%。隨著大模型逐漸向越來越復(fù)雜的場(chǎng)景嵌入，上下文長(zhǎng)度資源遠(yuǎn)不夠用甚至越來越不夠用，而基座模型在此參數(shù)上升級(jí)頗為緩慢的當(dāng)下，DeepSeek-OCR 的發(fā)布瞬間帶來很大的想象空間。
研究團(tuán)隊(duì)甚至還進(jìn)一步提出 “ 遺忘機(jī)制 ” 的構(gòu)想，模型可依據(jù)信息的 “ 時(shí)序遠(yuǎn)近 ”，在視覺壓縮階段主動(dòng)衰減細(xì)節(jié)，從而實(shí)現(xiàn)一種類人記憶式的上下文管理。
那么，視覺 token 為何能在信息量不損失太多的情況下，比文本 token 少一個(gè)數(shù)量級(jí)？模型記憶能否完全用視覺邏輯來替代？DeepSeek-OCR 是否為解決大模型上下文長(zhǎng)度受限的問題提供了一條現(xiàn)實(shí)可行的途徑？DeepSeek-OCR 反映了多模態(tài)大模型的什么發(fā)展趨勢(shì)？
帶著這些問題，知危與 Sand.ai 聯(lián)合創(chuàng)始人、首席科學(xué)家、《 Swin Transformer 》作者張拯進(jìn)行了簡(jiǎn)單的對(duì)話。
知危：
同一段輸入，為什么視覺 token 可以比文本 token 的數(shù)量少得多，有沒有直觀或本質(zhì)的解釋？
張拯：
有兩種觀點(diǎn)。第一種，視覺是一個(gè) 2D 表達(dá)，因此可以比 1D 的表達(dá)更高效。
第二種，高效的原因不是視覺 v.s. 文本，而是兩邊采用的 token 表達(dá)方式不同：做視覺表達(dá)的時(shí)候，我們是在一個(gè)高維的連續(xù)空間中做信息壓縮（ 把 image patch 映射為一個(gè)高維特征 ），之前 LLM 里常用的 tokenizer（ 把文本數(shù)據(jù)向量化的工具，通俗理解是一種把自然語言翻譯為機(jī)器能理解的語言的工具 ）則實(shí)際上可以被認(rèn)為是在一個(gè)一維空間中做壓縮（ 把文本映射為 id ）。高維連續(xù)空間本來就有更好的表達(dá)能力，因此可以用更少的 token 數(shù)量來表達(dá)更多信息。其實(shí)文本也可以做成連續(xù)表達(dá)，來大幅度減少文本 token，但是目前應(yīng)該沒有被很廣泛地用到 LLM 里。
這兩種觀點(diǎn)，我 buy-in 第二種。
知危：
DeepSeek-OCR 相比過往的 OCR 模型，除了效率提升方面，還有哪些獨(dú)創(chuàng)性？
張拯：
我最近沒有特別研究過 OCR 模型的進(jìn)展，但基于我看過的一些信息，我覺得 DeepSeek-OCR 的技術(shù)本身好像并沒有非常特別的部分。但是在觀點(diǎn)上，“ 把視覺作為文本長(zhǎng)上下文的壓縮介質(zhì) ”，這個(gè) idea 還是很棒的。這個(gè) idea 有路線上的啟發(fā)意義，相較于現(xiàn)在的多模態(tài)模型，DeepSeek-OCR 會(huì)使用兩種不同的 tokenizer 機(jī)制，這種路線也許會(huì)啟發(fā)更好的多模態(tài)模型設(shè)計(jì)方案。
知危：
這項(xiàng)技術(shù)對(duì)于基礎(chǔ)模型上下文長(zhǎng)度難以擴(kuò)展的當(dāng)下，可以帶來多大的成本效益？對(duì)上下文工程的優(yōu)化有哪些好處？
張拯：
理論上最多能拿到 N^2 倍的收益，N 是 Vision Token 相較于 Text Token 的壓縮率。對(duì)于上下文工程的優(yōu)化，最大的好處應(yīng)該就是不用那么仔細(xì)地管理上下文長(zhǎng)度了。
知危：
DeepSeek 設(shè)想的遺忘機(jī)制是否過于簡(jiǎn)化？忽略了語義的重要性排序？
張拯：
這種設(shè)想肯定還是很初步的，但是也能腦洞出很多改進(jìn)的空間，比如語義重要的部分可以渲染成更大的字體？
知危：
Andrej Karpathy 認(rèn)為視覺 token 有潛力可以完全替代文本 token，因?yàn)樾畔嚎s、多模態(tài)、可雙向注意力處理、無需 tokenizer 等優(yōu)勢(shì)，您怎么看？
張拯：
大部分都同意，但是 “ 可雙向注意力處理 ” 這里有待探討，“ 可雙向注意力處理 ” 很大程度上和 training objective（ 訓(xùn)練目標(biāo) ）有關(guān)。
另外，如果后面都是處理視覺 token 了，是不是有機(jī)會(huì)讓模型能在一個(gè) 2D 的空間里做思考？從而帶來更高效的推理（ 類似 GPT-4o 的 thinking with image ）？這個(gè)我覺得還是挺有意思的。
知危：近期 Meta 也提出了一個(gè)無需 tokenizer 的模型架構(gòu) Byte Latent Transformer ，可以跳過 tokenization ，直接學(xué)習(xí)原始字節(jié)流。結(jié)合以上討論和領(lǐng)域現(xiàn)狀，您認(rèn)為這體現(xiàn)了多模態(tài)大模型的哪些發(fā)展趨勢(shì)？
張拯：
宏觀一點(diǎn)來看，不同模態(tài)模型的范式還是有機(jī)會(huì)持續(xù)進(jìn)化的。
更細(xì)節(jié)一點(diǎn)的話，我初步想到的有兩個(gè)：
- 現(xiàn)在的多模態(tài)大模型的主流做法基本上可以認(rèn)為在捏合各種不同的模態(tài)的模塊，整個(gè)訓(xùn)練 pipeline 其實(shí)還是有點(diǎn)復(fù)雜（ 不優(yōu)雅 ）的。大家肯定希望有更簡(jiǎn)單、更統(tǒng)一的方式來處理。類似 DeepSeek-OCR 這樣的工作對(duì)我們開發(fā)更好的多模態(tài)模型范式還是挺有啟發(fā)的。
- 離散表達(dá)和連續(xù)表達(dá)之間的關(guān)系，以及是否有更好的組合方式，可能也挺重要的。
（ 對(duì)話全文完 ）
總體來看，DeepSeek-OCR 更多是基于效率上的大幅提升啟發(fā)了一個(gè)新的路線。
當(dāng)模型的 “ 思考空間 ” 從一維文本拓展至二維視覺，思考和推理也可能變得更加高效和簡(jiǎn)潔。而在技術(shù)層面，則指向當(dāng)前多模態(tài)大模型領(lǐng)域正等待一把 “ 奧卡姆剃刀 ” 簡(jiǎn)化模型范式的時(shí)刻。
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺(tái)“網(wǎng)易號(hào)”用戶上傳并發(fā)布，本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
