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-AI-Forschungsteam das System als ein „neues Paradigma für die Kontextkomprimierung“, das optisches 2D-Mapping nutzt, damit Sprachmodelle Text als Bilder lesen können. DeepSeek zufolge senkt der Ansatz die Rechenkosten und bewahrt dabei eine Präzision von bis zu 97 %, was den Weg für effizientere groß angelegte KI-Anwendungen ebnet.
Text in Bilder verwandeln
Im Zentrum von DeepSeek-OCR steht eine zweiteilige Engine, die grundlegend neu denkt, wie Maschinen Informationen verarbeiten.
Der DeepEncoder übernimmt die Verarbeitung am Anfang und komprimiert ganze Dokumente in kompakte „Vision-Tokens“, während der Speicherbedarf gering bleibt. Anstatt Tausende Text-Tokens 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 und verteilt die Aufgaben auf spezialisierte Module, die parallel arbeiten. Zusammen bilden sie eine visuelle Sprachschleife, die es Modellen ermöglicht, Layouts, Tabellen und mehrsprachige Seiten fast so mühelos zu lesen wie einfachen Text.
Das Ergebnis ist ein KI-System , das liest und sieht. DeepSeek zufolge
eröffnet der Ansatz neue Möglichkeiten für die Verarbeitung dichter, unregelmäßig strukturierter oder bildlastiger Dokumente, die herkömmliche textbasierte Modelle einst überforderten.
Ein kompaktes Modell mit industrieller Reichweite
DeepSeek-OCR ist für den Einsatz in großem Maßstab ausgelegt. Tests zeigen, dass das System führende OCR-Modelle wie GOT-OCR2.0 und MinerU2.0 übertrifft und dabei nur einen Bruchteil der Vision-Tokens verwendet. Im Benchmark OmniDocBench erreichte es mit nur 100 Tokens pro Seite eine Genauigkeit auf dem Stand der Technik – im Vergleich zu Tausenden bei Konkurrenzsystemen.
Diese Effizienz schlägt sich direkt in Leistung und Geschwindigkeit nieder. DeepSeek zufolge kann eine einzelne A100-GPU mehr als 200.000 Seiten pro Tag verarbeiten, während ein Cluster aus 20 Knoten täglich 33 Millionen Seiten bewältigt. Das reicht aus, um KI-Systeme global zu trainieren oder feinzujustieren.
Das Unternehmen hat DeepSeek-OCR außerdem als Open-Source-Software veröffentlicht und Forscher sowie Entwickler eingeladen, seine Architektur zu testen, anzupassen und weiterzuentwickeln.
DeepSeek nimmt das kostspieligste Problem der KI ins VisierJedes 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 Neubewertung der Frage, wie „Vision und Sprache zusammenarbeiten können“, um Maschinen effizienter zu machen. Indem DeepSeek-OCR Text als Bildmaterial behandelt, reduziert es die Token-Anzahl, senkt die GPU-Last und ermöglicht längere, gehaltvollere Kontextfenster, ohne die Kosten explodieren zu lassen.
Kosteneffizienz könnte DeepSeeks Vorteil sein. Günstigere Berechnungen bedeuten 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 Akteure sowie Forscher in sein Ökosystem ein. In einem Wettbewerb, der zunehmend ebenso von wirtschaftlichen Faktoren wie von Intelligenz geprägt ist, könnte sich DeepSeeks Effizienzwette als bislang strategischster Schritt erweisen.
Wie es mit DeepSeek weitergeht
DeepSeek beschränkt sich nicht auf OCR. Nach Angaben des Unternehmens könnten dieselben optischen Prinzipien hybride Systeme ermöglichen, die digitalen Text und visuelles Gedächtnis verbinden und es Modellen erlauben, Informationen so zu speichern, zu komprimieren und abzurufen, wie Menschen sich an Bilder erinnern.Künftige Versionen könnten über die Dokumentenanalyse hinausgehen und eine Komprimierung des Langzeitgedächtnisses ermöglichen, bei der ältere Kontexte visuell zusammengefasst statt gelöscht werden. Forscher deuten außerdem „agentische“ KI-Systeme
an, 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 konstruieren lässt und nicht nur durch Skalierung entsteht. Sollte DeepSeeks Wette aufgehen, könnte sie eine KI hervorbringen, die wahrnimmt statt zu interpretieren.Das Gesundheitswesen entwickelt sich zu einem der schnellsten Anwender von KI, wobei.