Sind Sie sicher, dass Sie sich abmelden möchten?
Nie wieder abtippen! Scans, Screenshots und PDFs sofort in bearbeitbaren, durchsuchbaren Text umwandeln – unterstützt durch 2D‑optisches Mapping‑KI.
Klicken Sie zum Hochladen oder ziehen Sie Dateien hierher
Format: JPG, JPEG, PNG, GIF, WEBP
Größe: Maximal 10MB, maximale Auflösung: 4096×4096
Wird hochgeladen: demo2.wav
Dateigröße: 295.54 KB
Wird zum Server hochgeladen…
demo2.wav
Dateigröße: 295.54 KB
✓ Upload erfolgreich
DeepSeek AI hat DeepSeek-OCR veröffentlicht, eine bahnbrechende Methode zur Kompression langer Kontexte durch optisches 2D-Mapping. Dieses innovative System beweist, dass visuelle Kompression bei der Verarbeitung textreicher Dokumente außergewöhnliche Effizienz erreichen kann und möglicherweise die Art und Weise verändert, wie große Sprachmodelle (LLMs) mit umfangreichen Textinformationen umgehen.
DeepSeek-OCR besteht aus zwei Hauptkomponenten: DeepEncoder und DeepSeek3B-MoE-A570M als Decoder. Zusammen können sie bei Kompressionsraten unter 10× (d.h. 10 Text-Token werden zu 1 visuellen Token komprimiert) eine OCR-Genauigkeit von 97% erreichen; selbst bei aggressiven Kompressionsraten von 20× kann das System noch etwa 60% Genauigkeit aufrechterhalten.
Die Kerninnovation von DeepSeek-OCR liegt in der Fähigkeit, Textinformationen drastisch zu komprimieren und dabei eine sehr hohe Genauigkeit zu erhalten:
Diese Ergebnisse zeigen, dass auch leichtgewichtige Sprachmodelle komprimierte visuelle Darstellungen effektiv dekodieren können, was bedeutet, dass größere LLMs durch geeignetes Pre-Training-Design ähnliche Fähigkeiten leicht erlernen können.
DeepEncoder ist eine völlig neue Architektur, die auch bei hochauflösenden Eingaben geringen Aktivierungsspeicher und weniger visuelle Token aufrechterhält. Zu den Hauptmerkmalen gehören:
Auf dem OmniDocBench-Benchmark zeigt DeepSeek-OCR außergewöhnliche Effizienz:
DeepSeek-OCR zeigt außergewöhnliche praktische Anwendungsleistung und kann Trainingsdaten für große Sprachmodelle (LLMs) und Vision-Language-Modelle (VLMs) in beispiellosem Maßstab generieren:
Aktuelle Open-Source-Vision-Language-Modelle (VLMs) verwenden drei Haupttypen von visuellen Encodern, die jeweils unterschiedliche Vorteile und Einschränkungen haben:
DeepEncoder löst diese Einschränkungen, indem es die besten Eigenschaften verschiedener Methoden kombiniert und gleichzeitig deren Nachteile minimiert, wodurch ein Gleichgewicht zwischen Speichereffizienz, Token-Anzahl und Verarbeitungskapazität erreicht wird.
DeepEncoder ist darauf ausgelegt, verschiedene Auflösungen effizient zu unterstützen, wodurch es Dokumente unterschiedlicher Größe und Komplexität verarbeiten kann, ohne die Leistung zu beeinträchtigen oder übermäßige Rechenressourcen zu benötigen.
Die Decoder-Komponente verwendet DeepSeek3B-MoE-A570M, eine Mixture-of-Experts-Architektur, die effiziente Inferenz bei gleichzeitiger Aufrechterhaltung hoher Genauigkeit bietet. Dieses Design ermöglicht es dem Modell, sich auf verschiedene Aspekte von OCR-Aufgaben zu spezialisieren und gleichzeitig Wissen zwischen den Experten zu teilen.
Entdecken Sie weitere nützliche KI-Tools, um Ihre Produktivität zu steigern
Schärfen Sie und entschärfen Sie Bilder mit KI-Technologie. Verbessern Sie die Bildklarheit und entfernen Sie Bewegungsunschärfe automatisch.
Konvertieren Sie Text in natürlich klingende Sprache mit KI-Stimmen. Mehrere Sprachen und Stimmoptionen verfügbar.
Konvertieren Sie Ihre Fotos in Ölgemälde-Stil-Kunstwerke. Erstellen Sie klassische Ölgemälde-Effekte mit reichen Texturen und Farben.
