La compresión de texto a imagen mediante IA logra una precisión del 97% con la nueva tecnología DeepSeek

La empresa de tecnología china DeepSeek anunció una importante innovación en el campo de la inteligencia artificial con el lanzamiento de DeepSeek-OCR, un modelo diseñado para superar una de las mayores barreras de los grandes modelos de lenguaje (LLM): la limitación de la ventana de contexto. El nuevo enfoque convierte el texto en representaciones visuales, lo que permite comprimir los datos hasta diez veces sin una pérdida sustancial de información. La técnica Essa permite a los sistemas de inteligencia artificial procesar volúmenes masivos de documentos de manera más rápida y rentable, manteniendo al mismo tiempo una tasa de precisión del 97 % en la recuperación del contenido original. El desarrollo, detallado en una publicación técnica del 20 de octubre de 2025, responde directamente a la creciente demanda de procesamiento de datos a gran escala sin el consiguiente aumento de los costos computacionales.
El problema central que DeepSeek-OCR pretende resolver es la capacidad finita de los LLM para “recordar” o procesar información en una sola interacción. Al transformar texto en imágenes compactas, la tecnología evita la necesidad de procesar largas secuencias de tokens textuales, que son la unidad básica de información para estos modelos. La conversión de Essa al dominio visual no solo optimiza el uso de recursos, sino que también abre nuevas posibilidades para analizar documentos complejos, como informes financieros, artículos científicos e incluso códigos fuente de software, de una manera integrada y eficiente.
La metodología destaca por su eficiencia. En pruebas comparativas, el modelo demostró que era capaz de generar más de 200.000 páginas de datos por día utilizando una sola GPU Nvidia A100, una hazaña que establece un nuevo estándar de rendimiento para tareas de reconocimiento óptico de caracteres (OCR) y procesamiento de documentos. El enfoque innovador de DeepSeek puede acelerar la adopción de la IA en industrias que dependen del análisis intensivo de documentos, como las finanzas, el derecho y el mundo académico.
La innovación detrás de la compresión visual
DeepSeek-OCR funciona basándose en un proceso de dos pasos que transforma radicalmente la forma en que los sistemas de inteligencia artificial manejan la información textual. Primeiramente, el modelo recibe entradas de texto y las convierte internamente en imágenes bidimensionales, como si estuviera “imprimiendo” el contenido en una pantalla digital. Luego, codificadores visuales especializados analizan estas imágenes y las comprimen en una cantidad mucho menor de tokens visuales. La estrategia Essa es fundamental para la eficiencia del sistema, ya que reduce drásticamente la carga computacional requerida para el procesamiento. En comparación, los modelos de la competencia como GOT-OCR2.0 requieren alrededor de 256 tokens para procesar una sola página, mientras que DeepSeek-OCR realiza la misma tarea con solo 100 tokens visuales, lo que representa más del 60% de optimización.
Uno de los aspectos más sofisticados de la tecnología es la implementación de un sistema de compresión variable, que imita la forma en que funciona la memoria humana. El modelo asigna una resolución más alta y, en consecuencia, más tokens, a los contextos más recientes y relevantes, mientras que la información más antigua o menos prioritaria se almacena con menos detalle, utilizando menos tokens. Essa La asignación dinámica de recursos garantiza que se mantenga la precisión donde más se necesita, al tiempo que se optimiza el almacenamiento a largo plazo. La capacidad del modelo para manejar alrededor de 100 idiomas diferentes y procesar elementos no textuales como gráficos, tablas complejas y fórmulas químicas amplía aún más su aplicabilidad en escenarios del mundo real, convirtiéndolo en una herramienta versátil para digitalizar y analizar el conocimiento a escala global.
Eficiencia y rendimiento en números
La superioridad de DeepSeek-OCR ha sido validada en rigurosos puntos de referencia como OmniDocBench, donde superó significativamente a los modelos de última generación. Un ejemplo notable es la comparación con MinerU0, que consume más de 6 mil tokens para analizar una sola página de documento. Por el contrario, el modelo de DeepSeek logra la misma tarea con menos de 800 tokens, una reducción de casi el 90% en el consumo de recursos. Mesmo cuando la tasa de compresión se aumenta a 20 veces, lo que resulta en una caída de precisión del 60%, la tecnología aún resulta viable para aplicaciones que requieren el análisis de contextos extremadamente largos, donde la descripción general es más importante que el detalle minucioso. El rendimiento de Essa no solo acelera el procesamiento, sino que también genera ahorros en costos operativos que pueden alcanzar el 90%, según análisis de producción. La versatilidad del modelo es otro punto fuerte, lo que demuestra su capacidad para procesar documentos con diseños irregulares, como informes financieros, facturas e incluso notas escritas a mano, además de generar datos sintéticos de alta calidad para capacitar a otros LLM, ampliando los conjuntos de datos disponibles. La compatibilidad con distintas resoluciones, que van desde 64 a 400 tokens por imagen, garantiza flexibilidad para las diferentes necesidades de las aplicaciones.
Repercusiones en la comunidad de inteligencia artificial
El lanzamiento de DeepSeek-OCR generó reacciones inmediatas y positivas de figuras prominentes de la comunidad de IA. Andrej Karpathy, cofundador de OpenAI y una de las voces más respetadas en el campo, elogió públicamente la investigación y planteó una pregunta fundamental: si los píxeles podrían convertirse en una entrada más eficiente que los tokens de texto para los LLM.
En su análisis, Karpathy sugirió la posibilidad de renderizar todo el texto como una imagen para optimizar el procesamiento, destacando las ventajas potenciales en términos de uso de memoria y velocidad. La publicación Sua catalizó un intenso debate entre desarrolladores e investigadores en foros especializados sobre la viabilidad de extender esta técnica para entrenar completamente modelos de lenguaje.
El entusiasmo de la comunidad de código abierto fue evidente: el proyecto en GitHub acumuló más de 4000 estrellas en tan solo 24 horas de su anuncio. El rápido compromiso de Esse indica un gran interés en experimentar y adaptar la tecnología, lo que indica una posible adopción acelerada por parte de desarrolladores y empresas de todo el mundo.
Aplicaciones prácticas e impacto empresarial.
Las implicaciones de DeepSeek-OCR para el entorno empresarial son vastas y transformadoras. Con esta tecnología, las empresas pueden superar las limitaciones de las indicaciones fragmentadas al permitirles cargar bases de conocimiento completas, como documentación técnica, manuales de productos o repositorios de código fuente, en una única interacción de IA. Isso elimina la necesidad de búsquedas secuenciales y permite un análisis más holístico y contextual.
Jeffrey Emanuel, un ex inversor cuantitativo, destacó el potencial de la tecnología para crear cachés rápidos con millones de tokens, lo que reduciría drásticamente la latencia en consultas empresariales complejas. La capacidad de procesar nueve tipos diferentes de archivos PDF, incluidos artículos académicos, periódicos e informes anuales, acelera los análisis que antes requerían semanas de trabajo manual, lo que libera a los equipos para centrarse en conocimientos estratégicos.
El mecanismo técnico de DeepEncoder.
La arquitectura detrás del rendimiento de DeepSeek-OCR se centra en su componente DeepEncoder. La pieza de ingeniería de software Esta integra modelos avanzados para realizar tareas específicas de una manera altamente optimizada.
Inicialmente, modelos como Segment Anything Model (SAM) se utilizan para la segmentación precisa del diseño y los elementos de la imagen del documento. Paralelamente, el modelo CLIP (Contrastive Language–Image Pre-training) proporciona una comprensión del contexto global de la página.
Tras este análisis inicial, entra en acción un compresor que reduce hasta 16 veces el número de tokens generados. La compresión agresiva Essa es lo que permite que el sistema sea eficiente, reduciendo la carga de datos que deben procesarse en los siguientes pasos.
El resultado es un marco que activa sólo 570 millones de parámetros durante la inferencia, gracias a un decodificador MoE (Mezcla de Experts) que selecciona dinámicamente los “expertos” neuronales más relevantes para cada tarea. El diseño inteligente de Esse permite un procesamiento extremadamente rápido, con la capacidad de analizar 33 millones de páginas por día en un clúster de 20 nodos con GPU A100.
Retos técnicos y el futuro de la tecnología
A pesar de su notable eficiencia en el almacenamiento y la reconstrucción de datos, DeepSeek-OCR todavía enfrenta limitaciones. El enfoque actual de la tecnología está más en la recuperación fiel de información que en el razonamiento avanzado sobre contenido comprimido visualmente. Los aspectos prácticos de Desafios, como las variaciones en la resolución, el color y la calidad del escaneo en documentos del mundo real, pueden afectar la precisión y requieren más investigación para superarlos por completo.
Los próximos pasos de la investigación implican un entrenamiento previo entrelazado de texto digital y óptico, buscando mejorar la capacidad del modelo para comprender ambos formatos de forma nativa. El equipo también planea realizar evaluaciones más complejas, como pruebas de “aguja en un pajar”, para medir la precisión en la recuperación de información específica de grandes volúmenes de datos. El lanzamiento del modelo en formato de código abierto es una invitación para que la comunidad global contribuya con adaptaciones y mejoras, con planes futuros para expandir la tecnología al procesamiento de imágenes naturales y figuras geométricas complejas.
Soporte multilingüe y versatilidad de documentos
Uno de los diferenciadores competitivos de DeepSeek-OCR son sus amplias capacidades lingüísticas, que ofrecen soporte para alrededor de 100 idiomas. Isso lo convierte en una herramienta global, capaz de servir a organizaciones multinacionales y proyectos de investigación internacionales. El modelo fue entrenado con un vasto conjunto de datos, que contiene 30 millones de páginas en chino e inglés, lo que garantiza robustez y precisión en los idiomas más utilizados en el mundo de los negocios y la ciencia. La versatilidad de Essa permite aplicar la tecnología a una amplia gama de documentos, acelerando el análisis de grandes repositorios de conocimientos, independientemente del idioma o formato original.



