Скачать или смотреть DeepSeek-OCR「光學壓縮」是什麼？把 1200 個文字 Token 壓成 64 個視覺 Token 另闢蹊徑，壓縮極限與成本效益的完美解答？

你是否也覺得 LLM 的 Token 成本居高不下？
當我們還在煩惱分詞器 (Tokenizer) 如何切詞、如何擴充詞表時，DeepSeek-OCR 提出了一個全新的思路：

我們為什麼一定要「壓縮文字」？為什麼不能直接「壓縮圖像」？

這部影片將深入解析 DeepSeek-OCR 背後的「光學壓縮」(Optical Compression) 核心技術。我們將探討：

🔹 傳統分詞器的瓶頸：為什麼說 Tokenizer 劃下了模型理解世界的邊界？
🔹 **什麼是視覺 Token (Visual Token)**：DeepSeek 如何將整頁高解析度文件，壓縮成僅 64 或 256 個 Token？
🔹 架構拆解：Deep Encoder 如何巧妙地結合 SAM、Convolution 與 CLIP，同時捕捉局部細節與全域語意？
🔹 效能與成本：實現 20 倍的壓縮比，同時保持高達 96% 的資訊量，這對 AI 應用意味著什麼？
🔹 超越 OCR：從圖表解析到化學式辨識，DeepSeek-OCR 如何處理傳統 OCR 難以應付的任務？

這不只是一個 OCR 模型，這更像是一場 VLM (視覺語言模型) 領域的壓縮革命。

---
🔗 講者提到的 Colab 連結：
https://github.com/Heng-xiu/all-thing...

📚 章節時間戳：
00:00 - DeepSeek-OCR 核心概念：光學壓縮
00:53 - 為什麼「訊息壓縮」對 LLM 這麼重要？(熵理論)
02:39 - 傳統 Tokenizer (分詞器) 的問題與極限
06:03 - DeepSeek 的野心：用「視覺」繞過文字壓縮
07:49 - VLM 如何「看見」圖片？(ViT 與 Patch)
10:38 - Deep Encoder 深度解析 (SAM + Conv + CLIP)
15:08 - Deep Decoder：為什麼選用 MOE 架構？
16:29 - 多解析度支援：Tiny, Base 到「鋼彈模式」
17:40 - 三大應用場景：傳統 OCR、進階圖表、VLM 泛用
19:36 - 效能比較：Token 數狂降，成本效益分析
21:30 - 實作：Colab 範例與 Prompt 技巧
23:24 - 總結：這是更好的 OCR 還是 VLM 的未來？