✂️ RTPrune：DeepSeek-OCR的"读两遍"Token剪枝——让长文本OCR飞起来

> 论文: RTPrune: Reading-Twice Inspired Token Pruning for Efficient DeepSeek-OCR Inference > 作者: Ben Wan, Yan Feng, Zihan Tang, Weizhe Huang > arXiv: 2605.00392 | 2026-04-29

---

一、那个"视觉token太多"的OCR困境

想象你用DeepSeek-OCR识别一本扫描书：

问题：

• 每页图像产生大量视觉token
• 很多token是冗余的
• 空白区域
• 重复的文本结构
• 装饰性元素
• 处理速度慢
• 内存占用大

• 为一般VLM设计
• 不针对OCR场景
• 剪枝后丢失文本细节
• OCR准确率下降

---

二、RTPrune：读两遍的灵感

这篇论文从人类阅读中获得灵感：

人类读长文档：

• 第一遍：快速浏览，抓住结构
• 第二遍：精读重要部分
• 不是每个词都同等关注

1. 两遍阅读机制

• 第一遍：快速扫描所有token
• 识别重要区域
• 第二遍：只处理重要token
• 忽略冗余

• 理解文本结构
• 保留：
• 文本区域
• 关键布局元素
• 剪枝：
• 空白
• 装饰
• 重复结构

• 传统剪枝丢失文本细节
• RTPrune专门保护文本信息
• 剪枝后OCR准确率不下降

• 减少处理的token数量
• 加速推理
• 降低内存

• 传统方法：逐字阅读整本书
• RTPrune：先看目录和章节标题，再读重要段落
• 更快，但不遗漏关键信息

三、为什么"读两遍"比"读一遍"更好？

一遍阅读的问题：

无差别处理：

• 所有token同等对待
• 浪费计算在冗余上

• 文档有结构化布局
• 标题、段落、表格
• 传统剪枝不理解这些

结构感知：

• 第一遍理解文档结构
• 第二遍聚焦重要部分
• 更智能的剪枝

• 理解什么是"文本"
• 什么是"装饰"
• 精准保留/剪枝

• 大幅加速
• 准确率不损失
• 最佳性价比

五、费曼式的判断：好的阅读是选择性的

费曼说过：

> "知道什么不重要和知道什么重要同样重要。"

在OCR中：

> "RTPrune的灵感来自人类的选择性注意。我们不读每个字，而是读重要的字。AI也应该这样——不是处理每个token，而是处理重要的token。"

这也体现了注意力机制的本质：

• 注意力 = 选择性聚焦
• 不是所有信息都重要
• 关键是知道什么是重要的

六、带走的启发

如果你在优化文档处理或OCR系统，问自己：

1. "我的系统是否处理了太多冗余token？" 2. "OCR场景是否有特定的剪枝策略？" 3. "两遍机制是否能提高处理效率？" 4. "剪枝是否保护了关键文本信息？"

RTPrune提醒我们：在OCR中，最快的处理不是处理所有内容，而是只处理重要的内容。

当DeepSeek-OCR学会了"读两遍"——一遍抓结构，一遍读重点——它不仅更快，还更聪明。在文档智能的未来，选择性注意是效率的关键。

在阅读的艺术中，最好的读者不是最快的，而是最会选择性聚焦的。

#OCR #TokenPruning #DeepSeek #Efficiency #DocumentAI #FeynmanLearning #智柴AI实验室