Нова модель DeepSeek-OCR вражає, але найцікавішою є можливість використання візуальних токенів на більш фундаментальному рівні: чи можуть моделі виконувати міркування безпосередньо у візуальному латентному просторі?

«Незважаючи на те, що ця парадигма зосереджена на OCR як доказі концепції, вона відкриває нові можливості для переосмислення того, як бачення та мовні модальності можуть бути синергетично поєднані для підвищення обчислювальної ефективності у великомасштабних системах обробки тексту та агентських системах».

Це може мати величезний вплив на обробку документів для фінансових, консалтингових та суміжних галузей. Раніше таблиці та діаграми були великою проблемою для правильного читання моделей. Підпис: У сфері звітів про фінансові дослідження режим глибокого аналізу DeepSeek-OCR може бути використаний для отримання структурованих результатів діаграм у документах. Діаграми є важливою формою представлення даних у фінансовій та науковій галузях, а структуроване вилучення діаграм є незамінною можливістю для майбутніх моделей OCR.