多模态RAG会取代传统OCR吗？全网观点大碰撞_办公软件

1. 重塑文档解析的尽头

2. OCR已过时？多模态embedding的新一代解析方案！

3. 《多模态RAG系统

4. AI算法面试

5. 多模态RAG能否突破文本理解局限？全网观点大碰撞

6. 多模态RAG能否超越传统文本RAG？全网观点大碰撞

7. 一文掌握多模态RAG

8. 国产开源！PaddleOCR多模态RAG问答系统（已落地），速速收藏备用。

9. RAG前沿进展

10. 聊一聊RAG的变种，多模态RAG值不值得做？？

11. 多模态RAG技术

12. 清华

13. RAG-Anything

14. 香港大学提出RAG-Anything

15. Star 6.5k！告别RAG碎片化！香港大学开源RAG-Anything

16. 一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG

17. 一文讲清

18. 多模态RAG ，到底强在哪？ | RAG系列（四）

19. 2026 年企业级 RAG 多模态技术全景

20. 论述专业OCR与大模型OCR技术之间的差异性

21. 为什么OCR无法理解技术图纸

22. LLM入局，OCR换代

23. DeepSeek-OCR 2 人眼进化

24. 大模型能否替代传统OCR？答案是融合，而非替代

25. 每位 AI 开发者都应当掌握的多模态 RAG 设计模式

26. 深度复盘

27. 一文讲清

28. 工业领域多模态 RAG 突破

29. RAG如何用于高分辨率图像理解任务？两个代表方案

30. 多模态RAG能处理复杂企业数据吗？689+用户观点大PK

31. 多模态 RAG 必读｜2025 ICLR 清华 & 面壁科技 VisRAG

32. Scaling Beyond Context 多模态RAG综述

33. 1.15-4|检索增强生成(RAG)新范式

34. 2025年最新全模态RAG知识库框架深度评测，助力大模型开发效率提升！

35. 建议你上手试试，搭一下这个多模态RAG系统（附源码+教学）

36. 史诗级进化

37. ppt检索的RAG方案（多模态、OCR、混合检索）评估结论

38. 收藏！一文读懂

39. AI 检索深度追溯。#AI #RAG #多模态 #大模型 #知识库

40. Qwen3-VL-Embedding是多模态RAG最优解吗？689+用户观点大PK

41. 怎么实现一个多模态RAG系统？

42. #华为折叠屏首发A2A智能体协作#华为Mate X7这次真的把智能交互玩出了新高度。看完发布会最让人印象深刻的是A2A智能体协作功能，小艺现在能直接和其他应用的智能体“对话”了。比如简单说一句“选个能看到日落的航班座位”，它就能自动调用深圳航空的智能体完成选座，完全省去了手动操作各个应用的麻烦。这种跨应用的无缝协作，确实解决了之前需要反复切换应用的痛点。目前这个功能已经覆盖了航旅、财经、音频、生活服务等多个领域，这种智能体之间的协同协作，很可能成为折叠屏设备体验的新标杆。随着更多应用接入，未来的智能交互体验确实很值得期待！

43. 1070亿、930家公司：2025中国AI应用的野蛮共识

44. #DeepSeek新模型为何被夸爆# DeepSeek新模型炸圈了！刚推出的OCR模型直接火到海外，GitHub狂揽3.7K星，HuggingFace热榜冲到第二，连硅谷同行都忍不住点赞：“这思路太惊艳了！”传统AI读长文档有多头疼？烧钱又慢吞吞，算力消耗像无底洞。但DeepSeek这次直接打破常规——把文字转成图像，让AI像人类一样“看图识字”。处理长内容时算力大幅下降，效率却直线上升。这波操作被疯狂夸爆，不只是技术碾压，更是思维层面的降维打击。用图像思路解决文本难题，堪称今年AI圈最亮眼的创新之一。不得不说，当别人都在优化算法时，DeepSeek直接重新定义了赛道！

45. 只有0.9B的PaddleOCR-VL，却是现在最强的OCR模型。

46. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

47. 如何评价DeepSeek-OCR-2 模型？

48. #天禧 AI 生态# 大会提出的 “应用商店 2026 年推进开设智能体专区” 规划，其意义在于为智能体应用搭建专属的展示与分发平台。这一举措将解决智能体应用 “难找、难用” 的痛点，让用户能快速找到适配自己需求的智能体，也让优质开发者的成果得到更广泛的传播，进一步繁荣天禧 AI 生态的应用生态。#2025 联想天禧生态伙伴大会##天禧个人超级智能体##酷睿Ultra##酷睿UltraAI更强谁不爱#

49. #DeepSeek开源OCR2新模型# DeepSeek-OCR 2实测：复杂文档识别终于能用明白啦！#HOW I AI#AI看图识字界又搞大事了！DeepSeek这次不更大模型，直接甩出DeepSeek-OCR 2，还带了份技术报告。刚看到“准确率提升3.73%”，我心里还嘀咕：就这？结果看完技术细节，直接被打脸！先说说传统OCR有多坑——跟个不会变通的机器人似的，只能从左到右、从上到下硬扫。表格错位、文档倾斜、中英文混排？直接歇菜，识别结果错得离谱。但DeepSeek-OCR 2换了个聪明思路，跟人看书一模一样：先搞懂整页文档的逻辑关系，再决定哪里该仔细看，不重要的地方快速过，重点区域反复核对。这波操作全靠它的DeepEncoder V2，不得不说，真的懂用户需求！这次更新的6个功能，每一个都戳中痛点！纯文字提取不管版面多乱，都能把字扒得干干净净；版面格式保留能还原段落层级，不用重新排版；图表解析更绝，直接把表格识别成可编辑的结构化数据，不是没用的图片；图片语义描述能给图写段人话说明；元素定位能精准找到发票金额、合同甲方这些关键信息；最惊喜的是Markdown转化，我拿扫描版PDF论文测试，公式没丢、段落没乱，写综述的朋友直接狂喜！别觉得3.73%的提升不起眼！OCR领域早就卷成红海了，在已经很高的基准上再提分，说明真的在极端场景下下了功夫。想想那些银行对账单、医院化验报告、八几年的老论文扫描件，还有你斜着拍的白板笔记——光线不均、排版杂乱、多语言混排，传统OCR错误率能飙到两位数，而DeepSeek-OCR 2就是来解决这些麻烦的。更良心的是，技术报告和模型权重都开源了，大家可以自己验证效果。平时要处理扫描件、发票、论文笔记的朋友，真的可以试试！建议先拿你最头疼的那类文档测一测，再决定要不要加到工作流里。话说回来，你平时处理文档最烦啥场景？是歪掉的表格，还是模糊的老文件？快来试试DeepSeek-OCR 2，说不定能解决你的大难题！

50. #DeepSeek开源OCR2新模型#DeepSeek-OCR2这个新模型最近很亮眼，它用了个巧妙的思路：把传统视觉编码换成类似大语言模型的结构，让AI可以像读文字一样“理解”图片里的信息。那这样一来，处理文档、表格的准确率明显提升，识别重复内容更少，对扫描文件和网页的适配也更好了。这背后其实反映出一个趋势：AI和视觉处理技术正在深度融合。未来在手机、工业检测、文档数字化这些领域，能做好“视觉+AI”落地的公司，机会可能会越来越多。

51. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

52. Andrej Karpathy 分享了他对新论文 DeepSeek-OCR 的看法，不仅仅是对 OCR 模型本身的评价，更重要的是他提出了一个更深远的思考：大语言模型（LLM）是否应该以像素（图像）而非文本作为输入？他认为，文本输入其实是一种信息的有损压缩，丢失了排版、颜色、粗体、表情符号等丰富的视觉信息。相比之下，图像输入：- 可以大幅压缩信息（论文中展示了高效的压缩比），上下文窗口更短，推理更高效。- 允许更通用的输入形式，不仅是文字，还包括图表、手写、图标等多种视觉元素。- 支持双向注意力机制，而非传统语言模型中自回归的单向注意力，提升模型理解能力。- 消除繁琐且问题多多的分词器（tokenizer），避免编码复杂性和安全漏洞，直接让模型“看见”文字，类似人类阅读的方式。Karpathy 设想的未来是：用户始终以图像（即使是渲染的文本）作为输入，助手则以文本形式回应。也就是说，输入是视觉信息，输出是语言文字，LLM 从文本解析器进化成真正的“视觉阅读器”。这不仅是技术的演进，更是对人工智能感知方式的根本重构：文本不过是符号的视觉排列，为什么不让模型直接处理它们的视觉表现？多位业内专家也支持这一观点，认为图像输入的多模态理解更贴近人类认知，能捕捉语义、结构和上下文的丰富信息，超越传统 OCR 的字面识别。当然，挑战依然存在，比如如何高效处理图像块，如何保持对抽象概念的理解，以及输出端是否也应走向视觉化。但这条路线无疑是开启“光学认知”新时代的关键一步，或将重塑人机交互的根基。——原文推文链接：x.com/karpathy/status/1980397031542989305

53. Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2

54. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

55. 阿里系连发两个重磅AI产品，暗藏了一个巨大的机会#灵光 #蚂蚁灵光 #阿里巴巴 #全模态通用AI助手 #AI工具

56. 多模态大模型这条赛道，阿里云开始拉速度了

57. #DeepSeek新模型会改变未来吗#DeepSeekOCR在长文本和复杂场景识别上确实做得不错，这种解决实际痛点的思路，其他厂商肯定会注意到。就像手机行业的创新总是互相借鉴一样，好的技术方向大家都会跟进。不过具体能学到多少，还得看各家的技术积累。毕竟OCR不只是个idea，更需要扎实的算法和大量数据打磨。说不定接下来我们会看到更多厂商在文档处理、表格识别这些细分场景发力，这对我们用户来说倒是好事——以后用到的工具会越来越聪明。

58. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

59. DeepSeek-OCR一开始以为是又一个普通的OCR模型，认真看了下论文，发现其重点是压缩，可以有助于LLM或者Agent的记忆管理。DeepSeek-AI 团队提出了一种全新的Contexts Optical Compression 方法，核心思想是：利用视觉模态作为一种高效的文本压缩媒介，以图像形式表示长文本，从而大幅减少LLM处理长上下文的计算负担。DeepSeek-OCR 首次验证了将文本信息以视觉形式进行高效压缩与恢复的可行性，在 10× 压缩下仍能近乎无损地还原文本。1. 研究动机当前LLM在处理长文本时面临计算量随序列长度平方增长的问题。论文提出将长文本转化为图像，让视觉模型（VLM）对其进行编码，用较少的视觉 token 表示大量文本信息，实现“以视觉压缩文本”的思路。这种“光学压缩”既能显著减少 token 数量，又可能启发 LLM 的长期记忆与遗忘机制研究。2. 模型架构DeepSeek-OCR 由两部分组成：（1）DeepEncoder：一种新型视觉编码器，结合 SAM-base（局部注意力）与 CLIP-large（全局注意力），中间加入 16× 卷积压缩模块，可在高分辨率下保持低激活内存并显著减少视觉 token。（2）DeepSeek-3B-MoE 解码器：基于 Mixture-of-Experts 架构，推理时仅激活 570M 参数，用于从视觉 latent token 重建原始文本。3. 多分辨率与模式支持DeepEncoder 支持多种输入模式（Tiny、Small、Base、Large、Gundam），对应不同分辨率与视觉 token 数，方便在研究不同压缩率或实际应用时灵活选择。例如 Gundam 模式可解析超高分辨率文档（如报纸），最高支持动态拼图式输入。4. 视觉遗忘机制作者提出“视觉化遗忘机制”假设：可以通过逐步缩小图像分辨率模拟人类记忆衰减过程，实现“信息随时间模糊化”的长期上下文管理。光学上下文压缩或可成为未来 LLM 无限上下文架构的关键方向。项目：github.com/deepseek-ai/DeepSeek-OCR#人工智能##程序员#

60. 字节跳动发布豆包Seedream4.0模型，该模型与Nano Banana对比实际表现如何？

61. 昨晚看完了论文，聊聊DeepSeek新发的OCR。可以说，大概是我近期感到最惊喜的模型。AI圈虽然天天卷，但是很多的模型，真的越来越无聊了。每天就是跑分又多了几个点。直到昨天，DeepSeek久违的发了一个新模型。DeepSeek-OCR。这玩意，是真的有点酷。首先，不要被这个名字骗了。虽然说它名字上有个OCR，但是你说它真的就只是个OCR模型吗。我想说，是，也不是。。。说它是，很简单，就是因为这玩意，干的确实也是传统OCR的活。传统的OCR任务其实特别纯粹，就是把那些图片上字啥的啊，变成你电脑里可以编辑可以复制粘贴数字文本。以前没有OCR的时候，你想想，你看到手上的书上有些字特别好，你想录到电脑里，你会咋办？答案就只有一个，一个字一个字的敲上去。敲几句话还行，让你敲个合同或者一本三体你试试看，是个人都绝逼要疯。后来OCR来了，就特别方便了，直接拍个照片，就能把里面的文字全部提取出来，很简单。所以DeepSeek-OCR确实也有OCR的功能，也能干OCR的活，而且还挺强。比如这是一张典型的金融研究报告，里面有文字，有图表，有各种复杂的排版。（图2）你让一个传统的OCR软件去看这张图，它可能会非常精准地，把里面所有的文字，都抠出来，变成TXT文档。然后就没有然后了。但是DeepSeek-OCR，它看完这张图，会直接，生成一个Markdown文档。在这个文档里，文字是文字，标题是标题，最关键的是，那些图表，被它用代码，也重新画了一遍，变成了一个可以被编辑被引用的表格。这个很牛逼了。但是吧，这玩意又不只是我们传统意义上理解的OCR。还有一个很重要的功能，压缩。可能会有点难以理解和抽象，我尽可能的用通俗易懂的话来讲明白。在说压缩之前，我们得先搞明白，现在所有大语言模型，从GPT-3.5到我们现在的各种模型，都面临着一个共同的几乎无解的噩梦，就是长文本处理。你别看它们现在能写一堆乱七八糟的能当朋友跟你聊天还能用嘴画图，但你只要丢给它一篇稍微长点的内容，比如一本几十万字的书，让它去理解，去总结，基本上都要炸。因为AI理解文字的方式，跟我们不一样。我们看书，是一目十行。AI读文字，它需要把每个字，每个词，都转换成Token。你可以把它简单的理解成一个一个的“字节”，是数据里面的那个字节，不是字节跳动的字节。现在主流AI架构的缺陷是，它在读每一个新词的时候，为了理解上下文，它需要把这个新词和前面所有出现过的词，都建立一次联系。所以处理这些Token的计算量，是随着文本长度的平方增加的。比如我举一个Party的例子，现在这个Party上有10个人，每个人都跟其他人贴贴一下，那大概需要45次贴贴，还行对吧。但如果来了100个人，每个人都要跟其他人贴贴，就需要将近5000次贴贴，这基本就属于废了。这就是技术上常说的计算复杂度是N的平方。这个成本，是指数级增长的，谁都扛不住。所以，长久以来，整个AI界都在死磕一个问题，怎么让AI，能又快又便宜的搞定上下文的问题？大家想了很多办法，什么滑动窗口、稀疏注意力，各种各样的算法优化。但这些，都像是给一辆漏油的破车，换更好的轮胎，贴更骚的膜。但是它，解决不了发动机的根本问题啊。然后DeepSeek这次，它根本没管你那个漏油的破车，而是，直接给你买了一辆，新能源。它说：“我们为什么，非要让AI一个字一个字地读呢？我们能不能让它，像我们人一样，看？”就是我不再把一本300页的书，转换成几十万个Token的文本文件，喂给AI。而是，我直接把这300页书，拍成一张张照片，变成一个图像文件，然后，让AI去看这张图。你可能觉得，这不是脱裤子放屁吗？照片不也是由像素组成的吗？信息量不是更大了吗？对，但你忽略了最关键的一点：图像，是二维的，而文字，是一维的。一维的文字，就像一根无限长的薯条，你想吃它，只能从头吃到尾，一个字节都不能少。而二维的图像，就像一张大饼，你一眼扫过去，整个饼的全貌，尽收眼底。DeepSeek-OCR，干的就是这事，把所有的文字，全部压缩成图像。这个过程，在他们的论文里，叫“上下文光学压缩”（Contexts Optical Compression）。我给你举一个真正的应用场景，你就全明白了：假设你正在跟一个AI助手聊天，你俩已经聊了三天三夜，聊了 1000 轮，可能占几十万甚至几百万的Token。对于以前的大模型来说，当你问：“哎，我三天前跟你说的第一件事是啥？”，大模型就必须把这1000轮的全部聊天记录都装进它的记忆区也就是上下文窗口里，才能去查找。这会撑爆它的内存和算力，所以现在的AI，很多的聊着聊着你就感觉它失忆，因为有的，真的只能记住最近的几十轮对话。而DeepSeek-OCR的解决方案，是这样的。AI助手只把最近10轮的聊天记录，用文本的形式记在脑子里。但是，它把那更远一点的990轮的文本聊天记录，自动渲染成一张或着几张长长的图片，就像你给聊天记录截了个屏。然后，它立刻调用内部的DeepEncoder编码器，把这张包含海量文字的截图，压缩成大概只有原来10分之1的视觉Token，然后一起扔到上下文中，记到脑子里。当真正要用的时候，比如你还是问那个问题，“我三天前说的第一件事是啥？”它现在的上下文里装的是10轮聊天记录的文本token + 990轮聊天记录的视觉token。然后，它的解码器，DeepSeek-3B，一个激活参数为570M的MOE模型，已经通过 OCR 任务，学会了一看到这种视觉token，就能把它解码还原成原文的能力。于是，他看了一眼那一圈视觉Token，找到了三天前的第一句话，然后回答了你。这，就是DeepSeek-OCR的整个架构。（图3）所以啊，别被名字骗了，这真的不止是个OCR，这是纯粹的关于上下文的新范式。所以虽然跟百度的那个PalddeleOCR-VL一样名字也有OCR，但其实，两个，真的不是一个东西= =DeepSeek-OCR，这，即是压缩。论文里给出的数据是，在保持96.5%的识别准确率的前提下，压缩比可以达到惊人的10倍。（图4）压缩比 = 原来的文本token总数 ÷ 压缩后视觉token总数。而20倍的压缩比，还能保留60%的准确率，虽然这个准确率确实不咋地，但是，这也是给未来留下了非常值得优化的方向。说实话，这个东西确实很新，真的很有意思，可能是我为数不多的最近看到的最好玩的模型论文。一图胜千言，可能说的就是如此吧。而且细细想来，其实这种压缩之法，也确实没啥毛病。我们总觉得文字是信息传递的巅峰。但从整个人类历史和生物进化的角度看，视觉，才是我们一直处理信息的最重要的手段。在文字诞生之前的几十万年里，我们的祖先就是靠看来生存的。看天色，看猎物，看同伴的表情，看亲手刻下的壁画。在纸张和印刷术普及之前，人类是怎么记录宏大叙事的？是壁画，是浮雕。埃及金字塔里的象形文字，敦煌莫高窟里的经变画，它们本身就是一种压缩。古埃及人把复杂的祭祀、律法、历史，压缩在一幅幅画里，等待别人去解压。从这个角度看，DeepSeek-OCR干的事，和当年的人类，其实也没什么两样。但是当我觉得，最头皮发麻为之一振的话。其实是论文的最后，他们写的一点点希望讨论的。DeepSeek说，对于那些更古老的上下文，我们可以逐步缩小渲染出的图像，以进一步减少令牌消耗。这个假设的灵感，来自于一个非常自然且深刻的类比：人类的记忆会随着时间的推移而衰退，人类的视觉感知会随着空间距离的拉远而退化。（图5）这种现象，它们都表现出了相似的、渐进式的信息丢失模式。他们可以用“上下文光学压缩”的方法，实现了一种记忆衰减形式。比如图表里，最左是 Text token，也就是不压缩的纯文本，信息保真；往右是把文字渲成图再编码成视觉 token 的不同模式，Gundam 比较豪华、细节多、花销大，Large 再次之，Base、Small、Tiny 依次更省 token、也更模糊。它几乎，完美地镜像了生物的遗忘曲线。在这个机制下，最近的信息保持着高保真度，而遥远的记忆则通过不断提高的压缩率，自然地褪色和淡忘。这个机制，实在是太酷了。很像是在探讨，一种“数字生命”的可能形态。我们一直以来追求的AI，是什么样的？是一个拥有无限记忆、绝对理性的“神”。它不会遗忘，不会犯错，像一台完美的机器。但我们自己是这样的吗？不是。遗忘，恰恰是人类智慧最重要的组成部分。我们之所以能够创新，能够抓住重点，能够在复杂的世界里做出决断，正是因为我们的大脑懂得，放下。我们会忘记那些不重要的细节，我们会模糊那些久远的伤痛，我们会把宝贵的认知资源，留给当下最重要的事情。遗忘，还有错误，真的不是bug，是我们这个物种能够延续至今的核心算法之一。就像西部世界里的那句经典台词。在福特的理论中，进化形成了这个星球上有情感和知觉的生命体，“用的唯一工具，就是错误”。（图6）遗忘，也是那个“错误”。对DeepSeek-OCR感兴趣的，可以去他们的项目网址看一看，体验一下。但是，我也非常强烈的建议，大家也可以，去读一读这篇论文的原文。不需要看那些很技术的原理和数学，只要看方法，还有范式，其实就能学到很多东西。我把论文原文放在群聊里，感兴趣可以看看。感谢DeepSeek。惟愿我们。国运昌隆。#ai创造营##deepseek##大模型#

62. Genome Biology | 香港城市大学孙燕妮团队提出 PlasRAG：基于序列-文本对齐的全面质粒表征与检索工具

63. 北大王选所彭宇新团队：让多模态大模型学会「看懂物种关系」丨CVPR 2026

64. 开源大模型与闭源大模型的差距是在缩小还是在扩大？关键因素是什么？

65. 千问APP的黑科技，秒级OCR文字识别，狗一样准

66. 「Github一周热点91期」deepseek OCR、量化交易工具、Notebook开源替代、Linux换源工具、Windows优化项目和API 客户端

67. DeepSeek又出手，开源OCR-2

68. AI如何走进工厂、矿山与餐饮店？百度一见多模态专业视觉管理平台给出了答案：管安全：风电场隐患响应从“小时级”压缩至“分钟级”，人效提升300%+。管工序：装备制造新员工误操作率降低90%，AI自动拆解“老师傅”经验。管质量：金相分析分割准确率达95%，解决传统检测痛点。管服务：助力餐饮头部品牌量化千家门店服务，满意度提升至98.2%。基于云边端协同架构，让专业级视觉AI应用门槛骤降，真正实现“用得起、效果好”。视觉管理的新基础设施已经到来。#赋能千行百业 ##百度一见 ##视觉管理# #多模态大模型# 思想聚焦的微博视频

69. PDF转Word还在花冤枉钱？我搭了个免费的转换神器，手把手教学

70. 「Github一周热点92期」智能机器人操作系统、语音转文本桌面应用、机械臂系统、虚拟音频工具、图片盲水印和多功能终端

71. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

72. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

73. Unsloth AI最近发布了一个值得关注的成果：他们免费开放了DeepSeek-OCR的微调笔记本，通过微调使模型的语言理解提升了89%，字符错误率从149%降到60%。这不仅是技术上的突破，更是让OCR技术更实用、更智能的关键一步。更重要的是，Unsloth支持在24GB显存的GPU上本地微调多达320亿参数的模型，极大地降低了进入门槛，意味着更多开发者和研究者能参与进来，推动AI真正落地。社区也积极互动，提问和反馈不断，显示出技术背后活跃的生态和持续进步的动力。 Blog: docs.unsloth.ai/new/deepseek-ocrGitHub: github.com/unslothai/unslothColab：colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Deepseek_OCR_(3B)-Eval.ipynb技术的进步不只是大模型的堆砌，更是细节打磨与开放协作的结果。真正的“魔法”发生在微调和应用的那一刻。未来，AI的发展更需要这种从底层优化到社区共建的系统思考。原文链接: x.com/UnslothAI/status/1985728926556307471

74. #DeepSeek开源OCR2新模型#那个“国产大模型黑马”又来卷技术了！DeepSeek-OCR2 正式开源！如果说之前的大模型是学会了“聊天”，那么 DeepSeek-OCR2 则是进化出了“超级视力”。为什么 OCR 需要“进化”？传统的文字识别最怕三件事：乱如麻的表格、复杂的数学公式、还有那些排版极其离谱的PDF扫描件。过去我们用 OCR，往往识别出来是一堆乱码。DeepSeek-OCR2 的核心在于它不再只是“认字”，而是通过视觉语言模型架构（VLM）在“理解排版”。这次发布有哪些硬核突破？高分辨率感知：支持超大图输入，再小的字也看得清。结构化处理：不管是多复杂的嵌套表格，还是写满满的试卷，它能直接输出清爽的 Markdown 或 JSON 格式，直接进文档，不用二次修改。开源福利：DeepSeek 再次发挥“卷王”本色，性能对标顶尖模型，却把代码和权重都开源了。对于开发者来说，这简直是年度最强生产力礼包！从“看得见”到“看得懂”：这意味着，未来我们拍一张财务报表、一张手绘原型图、甚至是一张写满公式的黑板，AI 都能秒变精准的数字化文档。这种“生产力解放”，才是大模型落地最实在的样貌。

75. 如何评价DeepSeek-OCR-2 模型？

76. AI 人工智能最新信息：1、OpenAI 联合演员工会等，加强Sora视频模型的监管，防范深度伪造内容。2、IBM与Groq合作，将后者的高速AI推理技术整合到IBM的企业AI平台中，旨在提升企业AI应用的速度与规模。3、甲骨文发布云AI超算"OCI Zettascale10"，由80万块NVIDIA GPU组成，将为OpenAI的"Stargate"集群提供算力，底层算力竞争持续升级。4、Anthropic 推出面向生命科学领域的AI产品"Claude for Life Sciences"，可帮助研究人员完成从文献回顾到数据分析等任务，AI加速向专业领域渗透。5、谷歌AI Studio团队预告将于10月22日推出一款新的AI开发工具，旨在大幅简化从创意到应用的开发流程。6、#DeepSeek新模型为何被夸爆#，DeepSeek团队最新开源的DeepSeek-OCR模型在技术思路上有重要创新，它尝试改变AI处理文本的固有方式，核心在于通过 “视觉压缩” 来突破长文本处理的效率瓶颈。当前大模型在处理长上下文时，算力和内存消耗会急剧增长。DeepSeek-OCR的视觉压缩路径，为解决这一“内存墙”问题提供了全新的思路。并且该模型还能解析图表、化学结构式、几何图形等复杂元素。应用突然就被拓展了。

77. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

78. #DeepSeek新模型会改变未来吗# DeepSeek的新模型DeepSeek-OCR在技术上确实实现了很大的创新和突破，但是这个并改变不了是一个特定行业内使用的大模型而非一个通用型的大模型，这样的产品的特点也决定了这个模型能够在领域内发挥改变未来的作用但是在通用性上还是有局限性的。DeepSeek-OCR还是在专注于文档处理场景，特别是解决长文本处理时的效率和成本问题；通用大模型是处理多种类型的自然语言任务，如文本生成、问答、翻译等，具有更广泛的应用领域和通用性。DeepSeek-OCR：采用独特的 DeepEncoder 视觉编码器和 DeepSeek-3B-MoE 混合专家架构；通用大模型通常基于 Transformer 架构，以文本 token 为输入，通过自注意力机制等处理文本信息。DeepSeek-OCR适用于金融合规自动化、科研文献数字化、历史档案抢救等需要处理大量文档的场景，通用大模型适用于各种自然语言处理场景，如内容创作、智能客服、知识问答等，应用场景更为广泛。DeepSeek新模型在局部能够发挥出改变行业的规则作用，但是对于大模型这个领域来说产生的推动作用有限。#AI创造营##AI生活指南#

79. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

80. 【DeepSeek团队开源新模型DeepSeek-OCR：少量视觉token完成海量文本压缩】10月21日消息，20日晚，DeepSeek-AI 团队发布《DeepSeek-OCR：Contexts Optical Compression》论文，提出利用视觉模态压缩长文本上下文的新方法。Hugging Face 页面显示，该模型的参数量为3B。根据介绍，此次开源的DeepSeek-OCR由两个部分组成：核心编码器 DeepEncoder 和解码器 DeepSeek3B-MoE-A570M。DeepEncoder 专为在高分辨率输入下保持低计算激活而设计，同时实现高压缩比，以控制视觉 token 数量在可管理的范围内。实验显示，当文本 token 数量不超过视觉 token 的 10 倍（压缩比低于 10×）时，模型的 OCR 精度可达 97%；即便压缩比提高到 20×，准确率仍保持约 60%，展现出在历史文档长上下文压缩和大语言模型记忆机制研究中的巨大潜力。DeepSeek-OCR 同时具备较高的实际应用价值。

81. 上周 DeepSeek-OCR 这个开源项目，在全球爆火，当人们都震惊于 DeepSeek 团队的创新能力之际的时候，一个哥们竟然基于这个开源项目做出了一个高质量的 PDF 文档转 Markdown 文件的开源工具：DeekSeek-OCR---Dockerized-API 。它不仅能高效地将 PDF 转换为 Markdown 格式，还能够完美保留原始文档结构，并自动提取文档中的图片。主要功能特性如下：- 高质量的 OCR 识别：利用 DeepSeek-OCR 模型，该工具能够准确识别 PDF 中的文本内容，几乎没有错漏，确保了文档转换后的高精度。- 保留原始格式结构：转换后的 Markdown 文件不仅保留了原 PDF 的排版格式，还能处理文档中的复杂结构，像表格、标题、段落等都能准确呈现。- 图片提取与嵌入：该工具不仅支持文本提取，还能自动识别 PDF 中的图片，并将其提取出来，以 Markdown 格式进行嵌入，确保图文并茂。- 批量处理支持：对于需要处理大量 PDF 文件的用户，该工具提供了批量转换的功能，大大提高了工作效率。- 自定义提示词处理：用户还可以根据自己的需求设置自定义提示词，调整 OCR 提取的准确性和样式，以适应不同的文档类型。如果您常常需要处理 PDF 文件，特别是那些包含文本和图片的文档，DeepSeek-OCR 转 Markdown 工具无疑是一个高效的选择。它不仅能保留文档格式和提取图片，还支持批量处理、OCR 提取和自定义设置，帮助您快速将 PDF 文档转化为 Markdown 格式，并可通过 Docker 部署和 API 集成进行灵活应用。开源项目地址：github.com/Bogdanovich77/DeekSeek-OCR---Dockerized-API#AI创造营##开源项目#

82. 如何评价美团开源的全模态大模型LongCat-Flash-Omni?

83. 大模型如何理解图像、音频等多模态内容（多模态 Tokenization 方法）

84. 如何评价智谱开源的GLM-OCR模型？和Deepseek-OCR2、百度PaddleOCR比效果如何？

85. RAG、LangChain、Agent 到底有什么关系？

86. 阿里云发布多模态交互开发套件

87. RAG-Anything：多模态RAG框架

88. 人工智能下的OCR发展

89. NeurIPS 2025丨华中科大等发布OCRBench v2，Gemini获中文榜冠军但分数仅及格

90. 11月12日AI早报: RAG-Anything-一体化多模态RAG框架的技术解析与应用

91. 技术视野｜从“看得清”到“读得懂”：OCR技术演进与教育场景的深度融合

92. 小白学大模型：RAG-Anything 统一多模态问答的RAG框架

93. 多模态在 RAG 中的应用：原理与流程

94. DeepSeek-OCR 2突破视觉推理，多模态AI从识别迈向理解

95. 开源OCR大模型和闭源工具怎么选?

96. RAG到多模态RAG，终于有人一次性说清楚RAG了

97. 利用 Docling 和 Granite 构建一个基于人工智能的多模态 RAG 系统

98. DeepSeek-OCR 2开源，用LLM重构视频编码，全模态时代再加速！

99. 关于多模态应用的几个疑问，以及多模态应该怎么应用于RAG？

100. 中文OCR的多模态革命：为什么AI大模型正在颠覆传统文字识别

101. 2025全栈OCR技术演进与落地指南

102. 基于qwen-long模型实现多模态和长文本分析

103. 一文讲清：多模态检索的实现原理与路径

104. 多模态的PDF文档检索｜PDF结构解析

105. 多模态的PDF文档检索｜PDF结构解析无论是围绕何种文档类型搭建的多模态RAG系统，首先第一步都是需要对PDF文档进行结构解析，也就是需要识别出PDF文档中的各元素的类型，包括各级标题、正文文本、图片、表格等等元素。这个环节往往并不复杂，业内的通用方案是采用unstructured库搭配OCR模型即可完成，也就是实现所谓的元素感知OCR。这里就会涉及到一个非常关键的技术概念，OCR模型。所谓OCR模型，指的是光学字符识别模型，可以对图片上的文字进行精准识别。目前业内的OCR模型有很多，公开课中第一部分我们将重点介绍如百度飞桨PaddleOCR、小红书dots.ocr等热门OCR模型的上手使用方法，而借助unstructured库，则可以将PDF中的每一页视作一张图片并借助OCR完成各元素类型的识别。#ai新星计划 #智能体 #RAG #多模态 #PDF

106. 多模态RAG如何实现？一文为你讲清多模态RAG的奥秘！

107. 港大RAG-Anything：统一多模态RAG 框架总结

108. AGI（十三）：RAG多模态数据处理-构建智能问答系统的关键技术

109. X-RAG：面向多模态知识融合对齐的下一代智能检索体系

110. 多模态PDF检索+图文并茂回复，企业级多模态RAG系统开发实战！图片、表格、公式多元素精准识别，OCR字符识别+VLM图片语义识别，搭建高性能多模态RAG系统！

111. 港大RAG-Anything：统一多模态RAG 框架

112. 多模态文档类“GraphRAG”框架实现思路-LAD-RAG

113. 多模态RAG三大策略全解析：从简单到高级

114. 【AI技术分享21】多模态RAG技术现状

115. 多模态RAG怎么做？一文讲清：多模态RAG

116. 企业级多模态RAG系统开发实战

117. RAG不会消亡，只会进化！港大推出RAG-Anything：统一多模态RAG框架！

118. 多模态RAG长文档问答的检索增强生成方案：MMRAG-DocQA

119. 清华最新力作：多模态RAG综述

120. 多模态RAG和传统RAG的对比——以及Agent智能体在两种RAG之间扮演的角色

121. RAG之文档解析内卷现状：6个国内互联网大厂+2代表机构的10+文档解析大模型发布之路

122. 多模态大模型+RAG的行业巡检缺陷智能识别与诊断系统平台

123. 多模态难落地？Agentic RAG 架构帮你打通 “决策 - 检索 - 融合” 全流程

124. OCR 识别终于懂 “逻辑” 了！DeepSeek-OCR2 重磅发布，视觉因果流颠覆传统体验

125. 多模态模型遇上RAG系统：理论美好，实践不易？揭秘背后的挑战与解决策略

126. Hunyuan OCR 论文笔记

127. 腾讯混元OCR模型重磅开源：1B参数实现多项SOTA，颠覆传统OCR技术

128. OCR技术识别气泡图为什么总出错？我们拆解了它的技术短板

129. 【清华代码熊】多模态OCR大模型解析｜各家OCR基座技术对比

130. 多模态RAG不止知识问答：文搜图与图搜图的四种实现方案

131. 一张图片，能装下 10 倍文本？DeepSeek-OCR 在做一件被严重低估的事

132. 包装OCR识别之痛，新的AI模型能解决吗？

133. 读懂多模态 RAG（MM-RAG）：从“单一感官”走向“全知全能”

134. 强推|一口气掌握27集多模态RAG从入门到实战完整版！少走99%弯路！零门槛vLLM部署PaddleOCR-VL，DeepSeek-OCR，中间件，情景光学压缩

135. 【实战】多模态 Agentic RAG 检索增强系统

136. 从Clip模型理解多模态RAG

137. 腾讯混元开源超轻量OCR模型！1B参数斩获多项第一，碾压国际大厂

138. 文档多模态RAG多角度技术总结及文档图像token压缩试验模型DeepSeek-OCR

139. 多模态RAG整图先切后筛再拼接方案RegionRAG及草图引导文档布局生成思路

140. 讨论丨聊聊DeepSeek-OCR：视觉压缩驱动的新一代OCR技术突破与行业影响

141. 2025 OCR 技术全解析：没有万能方案，准确率取决于场景

142. PDF OCR 识别的最佳实践：分场景选型指南

143. 深度复盘：如何构建一个“能看懂图”的 RAG Agent ？

144. 测试用例采纳率高达95%的核心秘诀，企业级多模态RAG技术的高级应用

多模态RAG会取代传统OCR吗？全网观点大碰撞

张大妈

张大妈

多模态RAG会取代传统OCR吗？全网观点大碰撞

精选参考来源

张大妈

张大妈