DeepSeek hat ein neues KI-System vorgestellt, das eine schnellere und schlankere Verarbeitung langer Kontexte verspricht. Das als DeepSeek-OCR bezeichnete Modell wandelt umfangreiche Texteingaben in kompakte visuelle Tokens um und verkleinert die Datenmenge um bis zu das Zehnfache.
In einem Blogbeitrag beschrieb das DeepSeek-KI-Forschungsteam das System als ein „neues Paradigma für die Kontextkomprimierung“. Dabei kommt eine optische 2D-Abbildung zum Einsatz, durch die Sprachmodelle Text als Bilder lesen können. DeepSeek zufolge senkt der Ansatz die Rechenkosten und erreicht zugleich eine Präzision von bis zu 97 % – eine Grundlage für effizientere KI-Anwendungen im großen Maßstab.
Text in Bilder verwandeln
Im Zentrum von DeepSeek-OCR steht eine zweiteilige Engine, die das maschinelle Verarbeiten von Informationen neu denken soll.
Der DeepEncoder übernimmt die Verarbeitung am Anfang der Pipeline und komprimiert ganze Dokumente in kompakte „Visionstokens“, während der Speicherbedarf gering bleibt. Anstatt Tausende Texttokens zu analysieren, wandelt das System sie in eine optische Form um, die sich für KI schneller speichern und abrufen lässt.
Auf der anderen Seite rekonstruiert ein Mixture-of-Experts-Decoder den Text mit nahezu perfekter Präzision. Dabei verteilt er die Aufgaben auf spezialisierte Module, die parallel arbeiten. Zusammen bilden sie eine visuelle Sprachschleife, durch die Modelle Layouts, Tabellen und mehrsprachige Seiten beinahe so problemlos lesen können wie reinen Text.
Das Ergebnis ist ein KI-System das und sieht. DeepSeek zufolge eröffnet der Ansatz neue Möglichkeiten für den Umgang mit dichten, unregelmäßigen oder bildlastigen Dokumenten, die herkömmliche textbasierte Modelle einst überforderten.
Ein kompaktes Modell mit industrieller Reichweite
DeepSeek-OCR ist für den Einsatz im großen Maßstab ausgelegt. Tests zeigen, dass das System führende OCR-Modelle wie GOT-OCR2.0 und MinerU2.0 übertrifft und dabei nur einen Bruchteil der Visionstokens benötigt. Beim OmniDocBench-Benchmark erzielte es mit nur 100 Tokens pro Seite eine Spitzenpräzision, während Konkurrenzsysteme Tausende benötigen.
Diese Effizienz schlägt sich direkt in Leistung und Geschwindigkeit nieder. Laut DeepSeek kann eine einzelne A100-GPU täglich mehr als 200.000 Seiten verarbeiten, während ein Cluster aus 20 Knoten 33 Millionen Seiten pro Tag schafft. Das genügt, um KI-Systeme im globalen Maßstab zu trainieren oder feinzujustieren.
Das Unternehmen hat DeepSeek-OCR außerdem als Open Source veröffentlicht und lädt Forschende und Entwickler dazu ein, seine Architektur zu testen, anzupassen und weiterzuentwickeln.
DeepSeek nimmt das kostspieligste Problem der KI ins Visier
Jedes große Sprachmodell steht vor demselben Hindernis: dem Kontext. Je mehr sich eine KI merken muss, desto teurer wird ihr Betrieb.
In seinem Blog bezeichnete das KI-Unternehmen die Methode als eine Neubewertung der Frage, wie „Bild- und Sprachmodalitäten zusammenarbeiten können“, um Maschinen effizienter zu machen. Indem Text als Bildmaterial behandelt wird, reduziert DeepSeek-OCR die Tokenzahl, senkt die GPU-Last und ermöglicht längere, gehaltvollere Kontextfenster, ohne dass die Kosten explodieren.
Kosteneffizienz könnte DeepSeeks entscheidender Vorteil sein. Günstigere Rechenleistung bedeutet schnellere Experimente, häufigere Aktualisierungen und eine geringere Abhängigkeit von riesigen Infrastruktur Budgets – ein klarer Vorteil gegenüber größeren, schwerfälligeren Wettbewerbern. Das Open-Source-Modell des Unternehmens erweitert zudem den Zugang und lädt kleinere Anbieter und Forschende in sein Ökosystem ein. In einem Wettbewerb, der zunehmend ebenso von wirtschaftlichen Faktoren wie von Intelligenz geprägt ist, könnte sich DeepSeeks Effizienzwette als sein bislang strategischster Schachzug erweisen.
Wie es mit DeepSeek weitergeht
DeepSeek beschränkt sich nicht auf OCR. Nach Angaben des Unternehmens könnten dieselben optischen Prinzipien hybride Systeme antreiben, die digitalen Text und visuelles Gedächtnis verbinden und es Modellen ermöglichen, Informationen so zu speichern, zu komprimieren und abzurufen, wie Menschen sich an Bilder erinnern.
Künftige Versionen könnten über die Dokumentenanalyse hinausgehen und langfristige Gedächtniskomprimierung ermöglichen, bei der ältere Kontexte visuell zusammengefasst statt gelöscht werden. Forschende deuten außerdem auf „agentische“ KI-Systeme hin, die ihre visuellen Archive selbst verwalten und entscheiden können, woran sie sich erinnern und was sie verblassen lassen.
Vorerst ist DeepSeek-OCR ein Beleg dafür, dass sich Effizienz gezielt entwickeln und nicht nur durch Skalierung erreichen lässt. Sollte DeepSeeks Wette aufgehen, könnte sie eine KI hervorbringen, die wahrnimmt, statt nur zu interpretieren.
Das Gesundheitswesen gehört zu den Branchen, die KI am schnellsten einsetzen, wobeidie neuen Ausgaben in diesem Jahr alle anderen Branchen übertreffen.