Das chinesische KI-Unternehmen DeepSeek hat bemerkenswerte Neuigkeiten aus der Welt der Dokumentenverarbeitung zu vermelden.
Das Unternehmen hat DeepSeek-OCR 2 vorgestellt, ein vollständig überarbeitetes System zur optischen Zeichenerkennung, das seine bisherige Architektur durch Qwen-KI-Technologie von Alibaba ersetzt.
Technologischer Wechsel
DeepSeek hat das CLIP-Framework von OpenAI aufgegeben , auf dem das ursprüngliche System basierte, und durch Alibaba Clouds schlankes Qwen2-0.5b-Modell ersetzt.
Dieser neue Ansatz liefert eine um 3,7 % höhere Leistung als die vorherige Version. Das mag zunächst bescheiden klingen – bis man betrachtet, was unter der Haube passiert. DeepSeek-OCR 2 verarbeitet Dokumente nun so, wie Menschen sie tatsächlich lesen: Inhalte werden dynamisch auf Grundlage von Kontext und Bedeutung neu angeordnet und verstanden, statt starr und mechanisch gescannt zu werden.
Effizienzsprung
Auf der Grundlage von DeepSeeks proprietärer DeepEncoder-V2-Architektur kann dieses System komplexe Dokumentseiten auf gerade einmal 256 bis 1.120 visuelle Token komprimieren. Zum Vergleich: Herkömmliche Systeme benötigen für eine ähnliche Verarbeitung oft Tausende von Token.
Tests mit OmniDocBench v1.5 ergaben für das System eine Gesamtpunktzahl von 91,09 % – ein deutlicher Sprung, der sich in der Praxis durch Verbesserungen bei der Erkennung der Lesereihenfolge und beim Verständnis des Layouts bemerkbar macht.
DeepSeek zufolge senkt das System die Rechenkosten nachgelagerter Sprachmodelle und erreicht zugleich eine Genauigkeit, die mit dem menschlichen Verständnis von Dokumenten mithalten kann.
Die Zusammenarbeit mit Alibaba
Diese Zusammenarbeit macht etwas deutlich, das über bloße technische Verbesserungen hinausgeht. Das Update zeigt Chinas wachsendes Open-Source-KI-Ökosystem, in dem Unternehmen auf den Innovationen anderer aufbauen, um immer leistungsfähigere Werkzeuge zu entwickeln.
Betrachtet man den raschen Iterationszyklus, kommt dieses Upgrade gerade einmal etwas mehr als drei Monate nach dem Start von DeepSeeks erstem OCR-System.
Blick nach vorn
DeepSeek hat das gesamte System auf Hugging Face als Open Source veröffentlicht. Damit können Entwickler weltweit auf diese Technologie zugreifen und auf ihr aufbauen. Die Auswirkungen sind für Branchen, die riesige Dokumentenmengen verarbeiten, enorm – von Anwaltskanzleien, die Verträge bearbeiten, bis hin zu Gesundheitsorganisationen, die Patientenakten digitalisieren.
Der Ansatz mit semantischem Schlussfolgern ermöglicht Scanmuster, die sich automatisch an verschiedene Dokumenttypen anpassen. Statt einer starren Verarbeitung Zeile für Zeile ordnet diese Entwicklung visuelle Informationen je nach ihrer Relevanz im jeweiligen Dokument neu an.
Für Unternehmen, die in Papierkram untergehen, könnte dies den Übergang von einer teuren, zeitaufwendigen Dokumentenverarbeitung zu einer Automatisierung bedeuten, die tatsächlich versteht, was sie liest.
Ein diese Woche beim Sundance startender Dokumentarfilm glaubt, die beunruhigende Realität hinter dem rasanten Aufstieg der KI zu enthüllen.