DeepSeek a dévoilé un nouveau système d’IA qui promet d’accélérer et d’alléger le traitement des contextes longs. Baptisé DeepSeek-OCR, le modèle convertit d’immenses entrées textuelles en tokens visuels compacts, réduisant les données jusqu’à dix fois.
Dans un billet de blog, l’équipe de recherche en IA de DeepSeek a décrit le système comme un « nouveau paradigme pour la compression des contextes », qui utilise une cartographie optique 2D pour permettre aux modèles de langage de lire le texte sous forme d’images. DeepSeek affirme que cette approche réduit considérablement les coûts de calcul tout en maintenant une précision pouvant atteindre 97 %, ouvrant la voie à des applications d’IA à grande échelle plus efficaces.
Transformer le texte en vision
Au cœur de DeepSeek-OCR se trouve un moteur en deux parties conçu pour repenser la manière dont les machines traitent l’information.
Le DeepEncoder prend en charge la partie amont et compresse des documents entiers en « tokens de vision » compacts, tout en limitant l’utilisation de la mémoire. Au lieu d’analyser des milliers de tokens textuels, le système les convertit en une forme optique que l’IA peut stocker et retrouver plus rapidement.
De l’autre côté, un décodeur Mixture-of-Experts reconstruit le texte avec une précision quasi parfaite, en répartissant les tâches entre des modules spécialisés qui travaillent en parallèle. Ensemble, ils forment une boucle de langage visuel qui permet aux modèles de lire les mises en page, les tableaux et les pages multilingues presque aussi facilement que du texte brut.
Le résultat est un système d’IA qui lit et voit. DeepSeek affirme que cette approche ouvre de nouvelles possibilités pour traiter des documents denses, irréguliers ou riches en images qui submergeaient autrefois les modèles traditionnels fondés sur le texte.
Un modèle compact aux applications industrielles
DeepSeek-OCR est conçu pour fonctionner à grande échelle. Les tests montrent que le système surpasse les principaux modèles OCR, comme GOT-OCR2.0 et MinerU2.0, tout en utilisant une fraction des tokens de vision. Sur le benchmark OmniDocBench, il a atteint une précision de pointe avec seulement 100 tokens par page, contre plusieurs milliers pour les systèmes concurrents.
Cette efficacité se traduit directement par des gains de puissance et de vitesse. Selon DeepSeek, un seul GPU A100 peut traiter plus de 200 000 pages par jour, tandis qu’un cluster de 20 nœuds en gère 33 millions quotidiennement. De quoi entraîner ou affiner des systèmes d’IA massifs à l’échelle mondiale.
L’entreprise a également publié DeepSeek-OCR en open source, invitant chercheurs et développeurs à tester, adapter et étendre son architecture.
DeepSeek s’attaque au problème le plus coûteux de l’IA
Tout grand modèle de langage se heurte au même obstacle : le contexte. Plus une IA doit mémoriser d’informations, plus son fonctionnement devient coûteux.
Dans son billet, l’entreprise d’IA a présenté cette méthode comme une nouvelle manière de repenser la façon dont « les modalités de la vision et du langage peuvent fonctionner ensemble » afin de rendre les machines plus efficaces. En traitant le texte comme une image, DeepSeek-OCR réduit le nombre de tokens, allège la charge des GPU et permet des fenêtres de contexte plus longues et plus riches sans faire exploser les coûts.
L’efficacité des coûts pourrait être l’atout de DeepSeek. Des calculs moins coûteux signifient des expérimentations plus rapides, des mises à jour plus fréquentes et une moindre dépendance à des budgets d’infrastructure colossaux — un avantage évident face à des concurrents plus importants et plus lents à évoluer. Le modèle open source de l’entreprise élargit également l’accès, en invitant les acteurs de plus petite taille et les chercheurs à rejoindre son écosystème. Dans une course de plus en plus déterminée par l’économie autant que par l’intelligence, le pari de DeepSeek sur l’efficacité pourrait s’avérer être son mouvement le plus stratégique à ce jour.
La prochaine étape pour DeepSeek
DeepSeek ne s’arrête pas à l’OCR. L’entreprise affirme que les mêmes principes optiques pourraient alimenter des systèmes hybrides combinant texte numérique et mémoire visuelle, permettant aux modèles de stocker, compresser et retrouver les informations de la manière dont les humains se remémorent les images.
Les prochaines versions pourraient aller au-delà de l’analyse de documents et s’orienter vers la compression de la mémoire à long terme, où le contexte ancien serait résumé visuellement plutôt que supprimé. Les chercheurs évoquent également des systèmes d’IA « agentiques » capables de gérer leurs propres archives visuelles, en décidant quoi retenir et quoi laisser s’estomper.
Pour l’instant, DeepSeek-OCR montre que l’efficacité peut être conçue, et pas seulement obtenue par la mise à l’échelle. Si le pari de DeepSeek se concrétise, il pourrait inaugurer une IA qui perçoit plutôt qu’elle n’interprète.
La santé s’impose comme l’un des secteurs qui adoptent l’IA le plus rapidement, avec de nouvelles dépenses qui dépassent cette année celles de tous les autres secteurs.