DeepSeek-OCR يضغط سياق النص بمعامل 10 مرات بدقة 97%

نشرت DeepSeek ورقة بحثية وأتاحت شيفرة DeepSeek-OCR، وهو نظام يحوّل النص إلى صورة ويستخدم الرموز البصرية كتمثيل مضغوط للسياق. بحسب المؤلفين، يستعيد المفكّك النص الأصلي بدقة تبلغ نحو 97% عند الضغط بمعامل 10 مرات تقريبًا. وعند الضغط بمعامل 20 مرة تنخفض الدقة إلى نحو 60%. ويصف تحليل شائع على قناة Two Minute Papers هذه النتيجة بأنها حل لمشكلة ذاكرة الذكاء الاصطناعي. الصياغة مبالغ فيها: فالمشكلة طُرحت أكثر مما حُسمت، لكن الأرقام المتعلقة بالمستندات مقنعة.

لماذا نحوّل النص إلى صورة

السياق الطويل مكلف. تزداد تكلفة الانتباه في المحوّل (Transformer) تربيعيًا مع عدد الرموز، وقد تستهلك صفحة واحدة من النص الكثيف آلاف الرموز. أما الصفحة نفسها حين تُقدَّم كصورة فتُرمَّز بمئات الرموز البصرية. ويطرح المؤلفون سؤالًا: هل يمكن استخدام الرؤية كقناة ضغط لنموذج لغوي؟ تُظهر التجربة أن ذلك ممكن في مهمة التعرّف على النص.

كيف يعمل النظام

يتألف النظام من جزأين. المرمِّز DeepEncoder يجمع بين انتباه نافذي محلي مبني على SAM وانتباه عام مبني على CLIP-large. وبينهما ضاغط التفافي يقلّص عدد الرموز 16 مرة، ولذلك يعمل الانتباه العام المكلف على عدد قليل من العناصر. أما المفكّك DeepSeek3B-MoE فهو نموذج من نوع mixture-of-experts بنحو 3 مليارات معامل، يُفعَّل منها نحو 570 مليونًا لكل رمز.

أبرز المعايير بحسب الورقة:

• ضغط حتى 10x: دقة التعرّف نحو 97%؛
• ضغط نحو 20x: دقة نحو 60%؛
• أوضاع الدقة: Tiny (64 رمزًا)، وSmall (100)، وBase (256)، وLarge (400)، وGundam للصفحات المعقدة ذات الأجزاء المتعددة؛
• OmniDocBench: 100 رمز للصفحة تتفوق على GOT-OCR2.0 الذي يحتاج 256؛
• أقل من 800 رمز تعطي نتيجة أفضل من MinerU2.0 الذي يستهلك نحو 7000؛
• الأداء: أكثر من 200 ألف صفحة يوميًا على A100-40G واحدة، وحتى 33 مليون صفحة يوميًا على 20 عقدة، في كل منها 8 وحدات GPU.

أين تنتهي الفكرة الجميلة

القيد الرئيسي أن OCR يختبر إمكانية قراءة النص مرة أخرى. ولا يختبر ما إذا كان النموذج اللغوي قادرًا على الاستدلال فوق سياق مضغوط بصريًا بالجودة نفسها التي يستدل بها فوق الرموز العادية. هاتان مهمتان مختلفتان، ولم تقدّم الورقة إجابة عن الثانية.

ويطرح المؤلفون أيضًا تشبيهًا بالذاكرة البشرية: يمكن تخزين الأجزاء القديمة من الحوار في صورة بدقة تتناقص تدريجيًا، أي «نسيانها» شيئًا فشيئًا. يبدو ذلك منطقيًا للوكلاء (agents) ذوي التاريخ الطويل، لكنه فرضية. ولا توجد حتى الآن بيانات عن تأثير هذا النهج في جودة الإجابات في الحوارات والبرمجة والمهام متعددة الخطوات.

ولا بد من أخذ الفقد في الاعتبار. فبدقة 60% عند الضغط بمعامل 20x لا يمكن تخزين العقود أو الشيفرة أو الأرقام التي يغيّر الخطأ في حرف واحد منها المعنى. وتتطلب هذه الحالات مراقبة للجودة أو الرجوع إلى النص الأصلي.

ما الذي يمكن تجربته عمليًا

يمكن للفرق التي ترقمن الأرشيفات والفواتير وملفات PDF العلمية أن تختبر DeepSeek-OCR منذ الآن: الشيفرة والأوزان متاحة على GitHub. ويتمثل المكسب أولًا في تكلفة المعالجة: عدد رموز أقل للصفحة يعني حملًا أقل على GPU. كما يصلح النموذج لتوليد بيانات تدريب من المستندات بكميات كبيرة، وهو ما تشير إليه أرقام الأداء.

وعلى مطوري الوكلاء تأجيل الاستنتاجات الكبيرة وإجراء اختبار خاص بهم: أخذ تاريخ حوار طويل لديهم، وضغط الجزء القديم منه في صورة، ومقارنة جودة الإجابات بالسياق العادي. إذا لم يظهر فرق، فسيكون توفير الرموز ملموسًا. وإذا ظهر فرق، فسيتعين حينها تحديد البيانات التي يمكن «نسيانها».