DeepSeek OCR的高OCR准确率，全是幻觉？

DeepSeek OCR的高OCR准确率，全是幻觉？ DeepSeek OCR的高OCR准确率，全是幻觉？ Modified January 22 今天刷到一篇中科大的论文，我上面说的3个点，基本上都是证明了， 视觉压缩长文本还需要进一步深度研究。 Code block Plain Text https://arxiv.org/abs/2601.03714 VLM的模型，在OCR上，其实存在缺陷，在零先验随机文本上的效果会大幅度下降，说明大部分VLM依赖LLM部分的语义理解。 针对句子的语义破坏(将其中关键名词、动词和短语替换)，准确率会下降，生产合理词汇； 在高压缩率下尤为明显，Tiny、Small、Base 分别平均下降11.2%、3.6%、0.6%。 说明，高视觉分辨率可以降低对VLM模型对LLM的依赖。 针对词级别破坏，零先验随机文本上，效果暴跌。 对比13 个OCR和VLM模型发现，VLM模型普遍存在依赖LLM的现象。 所以，就像我之前说的，纯分析解码的精度会过于草率，也许高压缩率的效果是因为LLM部分脑补的视觉信息。 PS：OCR用专门的OCR模型会更权威。 同时，实验发现，DeepSeek OCR，在Tiny模式下6k tokens左右开始崩溃，Small模式在10.5k tokens时崩溃，Base/Large模式在8.5k tokens左右崩溃。 跟我说的一样，正常LLM可能在128K出坍塌，而视觉压缩Token虽然承载信息更大，但坍塌的会越早。 论文还验证了DeepSeek OCR的QA和VQA的能力，很差，说明信息的Token压缩，但对于后续使用，并不一定信息丢失的就少。 不过这一点，可能是DeepSeek OCR没有在专门VQA数据上训练导致。 最后， 视觉的信息压缩论， 就像我之前说的，DeepSeek OCR只是给了一个展望， 具体的还有很多坑要走。 大家有其他想法，欢迎评论区讨论 今天刷到一篇中科大的论文，我上面说的3个点，基本上都是证明了， 视觉压缩长文本还需要进一步深度研究。 VLM的模型，在OCR上，其实存在缺陷，在零先验随机文本上的效果会大幅度下降，说明大部分VLM依赖LLM部分的语义理解。 针对句子的语义破坏(将其中关键名词、动词和短语替换)，准确率会下降，生产合理词汇； 在高压缩率下尤为明显，Tiny、Small、Base 分别平均下降11.2%、3.6%、0.6%。 说明，高视觉分辨率可以降低对VLM模型对LLM的依赖。 针对词级别破坏，零先验随机文本上，效果暴跌。 对比13 个OCR和VLM模型发现，VLM模型普遍存在依赖LLM的现象。 所以，就像我之前说的，纯分析解码的精度会过于草率，也许高压缩率的效果是因为LLM部分脑补的视觉信息。 PS：OCR用专门的OCR模型会更权威。 同时，实验发现，DeepSeek OCR，在Tiny模式下6k tokens左右开始崩溃，Small模式在10.5k tokens时崩溃，Base/Large模式在8.5k tokens左右崩溃。 跟我说的一样，正常LLM可能在128K出坍塌，而视觉压缩Token虽然承载信息更大，但坍塌的会越早。 论文还验证了DeepSeek OCR的QA和VQA的能力，很差，说明信息的Token压缩，但对于后续使用，并不一定信息丢失的就少。 不过这一点，可能是DeepSeek OCR没有在专门VQA数据上训练导致。 最后， 视觉的信息压缩论， 就像我之前说的，DeepSeek OCR只是给了一个展望， 具体的还有很多坑要走。 大家有其他想法，欢迎评论区讨论 🔗 原文链接： https://mp.weixin.qq.com/s/PA2yLcSp... https://mp.weixin.qq.com/s/PA2yLcSp... 原创 刘聪NLP 刘聪NLP 刘聪NLP2026年1月14日 22:46 江苏 大家好，我是刘聪NLP。 还记得前段时间爆火的DeepSeek OCR吗？ 我当时也是连写两篇文章， DeepSeek OCR模型论文详解 、 DeepSeek OCR与PaddleOCR的实测对比 。 DeepSeek OCR模型论文详解 DeepSeek OCR与PaddleOCR的实测对比 当时各种文本已死，视觉当立，我也是醉了 我还提了三个观点，如下：