DeepSeek-OCR revoluciona IA ao comprimir texto em imagens com 97% de precisão

A empresa chinesa DeepSeek lançou o modelo DeepSeek-OCR, que converte texto em representações visuais para processar informações de forma mais eficiente em grandes modelos de linguagem. Essa abordagem permite comprimir dados em até 10 vezes, mantendo 97% de precisão na recuperação do conteúdo original. O anúncio ocorreu em 20 de outubro de 2025, via publicação técnica, e visa resolver limitações de contexto em sistemas de IA. A inovação surge para atender demandas crescentes por processamento de volumes maiores de dados sem elevar custos computacionais.
O modelo transforma entradas textuais em imagens 2D internamente, utilizando codificadores visuais para reduzir o número de tokens necessários. Em testes, ele superou rivais como GOT-OCR2.0, que exige 256 tokens por página, ao usar apenas 100 tokens visuais. Essa eficiência permite gerar mais de 200 mil páginas de dados por dia em uma única GPU Nvidia A100.
Pesquisadores destacam que a técnica aplica compressão variável: contextos recentes mantêm alta resolução, enquanto históricos usam menos tokens, simulando curvas de memória humana. O DeepSeek-OCR suporta cerca de 100 idiomas e processa elementos como gráficos e fórmulas químicas.
Funcionamento técnico do DeepSeek-OCR
O DeepSeek-OCR opera em duas etapas principais. Primeiro, o componente DeepEncoder integra modelos como SAM para segmentação de imagens e CLIP para contexto global, seguido de um compressor que reduz tokens em 16 vezes.
Essa estrutura ativa apenas 570 milhões de parâmetros em inferência, graças a um decodificador MoE que seleciona especialistas relevantes. O resultado é um processamento rápido, com capacidade para 33 milhões de páginas diárias em clusters de 20 nós com GPUs A100.
A conversão automática de texto para visuais elimina a necessidade de intervenções manuais, facilitando a integração em fluxos de trabalho de IA existentes.

Desempenho em benchmarks e comparações
Testes no OmniDocBench revelaram superioridade do DeepSeek-OCR sobre MinerU0, que consome mais de 6 mil tokens por página, enquanto o novo modelo usa menos de 800. A precisão cai para 60% em compressões de 20 vezes, mas permanece viável para aplicações de longo contexto.
- Supera GOT-OCR2.0 em eficiência de tokens por página.
- Processa documentos irregulares, como relatórios financeiros e notas manuscritas.
- Gera dados sintéticos para treinamento de LLMs, ampliando conjuntos de dados.
- Mantém compatibilidade com resoluções variadas, de 64 a 400 tokens por imagem.
Esses ganhos reduzem custos operacionais em até 90%, segundo análises de produção.
Reações de especialistas na comunidade de IA
Andrej Karpathy, cofundador da OpenAI, elogiou a pesquisa em postagem pública, questionando se pixels superam tokens textuais como entradas para LLMs. Ele sugeriu renderizar todo texto como imagem para otimizar processamento, destacando vantagens em memória e velocidade.
Outros desenvolvedores, em fóruns online, debatem a extensão da técnica a treinamentos inteiros de modelos. Um pesquisador de Tsinghua University comparou o foco em OCR do DeepSeek-OCR com abordagens multimodais, notando diferenças em tarefas de compreensão geral.
A comunidade open-source já acumulou mais de 4 mil estrelas no GitHub do projeto em 24 horas, indicando adoção rápida por experimentadores.
Aplicações práticas para empresas
Empresas podem carregar bases inteiras de documentos ou códigos-fonte em prompts únicos, eliminando buscas fragmentadas. Jeffrey Emanuel, ex-investidor quantitativo, apontou o potencial para caches de prompts com milhões de tokens, reduzindo latência em consultas corporativas.
O modelo processa PDFs de nove tipos, incluindo papers acadêmicos e jornais, com dados de treinamento de 30 milhões de páginas em chinês e inglês. Isso acelera análises de grandes volumes, como relatórios anuais ou repositórios de software.
Atualizações incrementais mantêm o contexto atualizado sem recarregamentos totais, otimizando fluxos de desenvolvimento.
Limitações e próximos passos na pesquisa
Embora eficiente em armazenamento, o DeepSeek-OCR foca mais em reconstrução de dados do que em raciocínio avançado sobre visuais comprimidos. Desafios incluem variações de resolução e cores, que podem afetar precisão em cenários reais.
Futuros testes envolverão pré-treinamento interleavado de texto digital e óptico, além de avaliações como “needle-in-a-haystack” para recuperação precisa. A liberação open-source incentiva adaptações, com planos para expansão a imagens naturais e figuras geométricas.
Pesquisadores preveem integração em VLMs para tarefas além de OCR, ampliando o escopo de compressão visual.






