A DeepSeek csapat legújabb fejlesztése, a DeepSeek OCR, forradalmi áttörést ígér a mesterséges intelligencia területén. A papír és a modell egy egészen új módját tárja fel annak, miként lehet képalapú szövegfeldolgozással jelentősen növelni a nyelvi modellek kontextusablakát.
Hagyományosan a nagy nyelvi modellek, mint például a Gemini vagy a ChatGPT, szövegalapú bemenetekkel dolgoztak, amelyek mennyiségét erősen korlátozta a tokenek számának drasztikus növekedése. A DeepSeek azonban megmutatja, hogyan tömöríthető a szöveg úgy, hogy annak legtöbb információja megmarad, miközben a képek segítségével akár tízszer több szöveg kerülhet ugyanabba a helyre.
A fejlesztés kulcsa, hogy felismerik: egy kép valóban többet mondhat ezer szónál, ha azt megfelelően tömörítve, vizuális foltokká alakítva, speciális, több százmillió paraméteres modellek (mint a SAM, CLIP és DeepSeek 3B) dolgozzák fel. A nézők betekintést nyerhetnek abba, miként működik ez a folyamat, milyen kompromisszumokat jelent a tömörítés az OCR pontosságában, illetve hogy ez milyen új lehetőségeket nyit meg a jövő AI rendszerei előtt.
Felmerül az izgalmas kérdés: a jövőben vajon célszerűbb lesz minden nyelvi modellt képekkel, és nem pedig szöveges tokenekkel táplálni? Ismert szakértők, például Andrej Karpathy, felvetik, hogy akár a tisztán szöveges bemeneteket is érdemes lehet először képpé konvertálni, majd így feldolgozni, hiszen ez hatalmas tömörítési és hatékonysági előnyöket jelenthet. Egy teljes enciklopédia akár egyetlen nagy felbontású képen keresztül is bekerülhetne a rendszerbe.
A videó tehát nemcsak a DeepSeek OCR műszaki részleteire világít rá, hanem elgondolkodtat a mesterséges intelligencia, a szövegfeldolgozás és az adatkompresszió jövőjéről is.
