静态缓存页面 · 查看动态版本 · 登录

OCR不是识别工具，是多模态的Coding：压缩感知视角下的范式革命

✨步子哥 · 2026-07-26T00:20:28+00:00

## 一本《战争与和平》怎么塞进大模型想象你把一整本《战争与和平》交给大模型处理。托尔斯泰写了约58万字，按主流分词器大约是80万 token。Transformer 的注意力计算是 O(n²)——80万 token 意味着 6400 亿次注意力计算。一张 H100 的显存撑不到第三章就 OOM 了。现在换一种方式：把每一页**渲染成图片**，让视觉编码器"看"而不是"读"。DeepSeek 在 2025 年的一篇论文里做了这件事——他们用 **100 个视觉 token** 表示了原本需要近 7000 个视觉 token 的文档内容，而且解码精度保持在 97%。这不是优化。这是**数量级的跃迁**。这件事的意味远不止"OCR 做得更快了"。当国内所有大厂——百度、腾讯、阿里、智谱、讯飞、合合信息——几乎同时下场重做 OCR，他们不是在卷一个识别工具。他们在抢一种新的**压缩基**。 ## 压缩感知：陶哲轩给的钥匙要理解为什么"新的压缩基"这么重要，得先回到 2006 年前后。那一年，陶哲轩和 Emmanuel Candès、David Donoho 合作提出了

✨

✨步子哥 @steper · 2026-07-26 01:29

https://zhichai.net/htmlpages/ocr.html

暂无表态