Η ήσυχη επανάσταση: μετατρέποντας το κείμενο σε pixels για εξοικονόμηση tokens
Να μια αντιφατική αλήθεια: η απόδοση του κειμένου ως εικόνες μπορεί να κάνει τα γλωσσικά μοντέλα φθηνότερα και ταχύτερα. Το DeepSeek-OCR εκλαΐκευσε μια διοχέτευση «κείμενο ως εικόνα» που ισχυρίζεται ότι μειώνει το κόστος των tokens έως και 10 φορές σε σύγκριση με τις συμβατικές ρυθμίσεις OCR + LLM. Εάν αυτό ακούγεται ανάποδα—γιατί να προσθέσετε την όραση υπολογιστή σε ένα γλωσσικό πρόβλημα;—βρίσκεστε ακριβώς εκεί όπου ξεκινά αυτή η επεξήγηση.
Σε αυτήν τη διεξοδική ανάλυση, αποσαφηνίζουμε τον τρόπο λειτουργίας της προσέγγισης "κείμενο ως εικόνα", γιατί μειώνει τους αριθμούς των tokens και πότε υπερτερεί του κλασικού OCR. Θα εξετάσουμε επίσης τις ακραίες περιπτώσεις, τις αντισταθμίσεις ακρίβειας και τους πρακτικούς τρόπους ανάπτυξής του στην παραγωγή.
Γρήγορο αστάρι: ποια είναι η προσέγγιση "κείμενο ως εικόνα";
- Παραδοσιακή διοχέτευση: OCR (εξαγωγή κειμένου) → τμηματοποίηση σε tokens → αποστολή στο LLM → πληρωμή ανά token.
- Η προσέγγιση του DeepSeek-OCR: διατήρηση του περιεχομένου ως εικόνα (ή φιλική προς την όραση διάταξη) → χρήση ενός κωδικοποιητή όρασης + LLM → πληρωμή ανά οπτικό patch/token χαρακτηριστικού → αποκωδικοποίηση επιλεκτικά.
Αντί να επεκτείνει μια σελίδα σε χιλιάδες tokens δευτερευουσών λέξεων, το μοντέλο καταναλώνει ένα συμπαγές πλέγμα οπτικών patches. Κάθε patch κωδικοποιεί πολύ περισσότερες πληροφορίες από ένα token δευτερεύουσας λέξης—ειδικά για πυκνές διατάξεις (πίνακες, αποδείξεις, φόρμες, PDF). Αυτή η αποδοτικότητα κωδικοποίησης είναι ο βασικός λόγος για τον οποίο η προσέγγιση "κείμενο ως εικόνα" του DeepSeek-OCR μειώνει το κόστος των tokens έως και 10 φορές.
Γιατί το κόστος των tokens αυξάνεται στα workflows OCR + LLM
- Περιττά κενά διαστήματα και τυποποιημένο κείμενο: το OCR εξάγει κάθε χαρακτήρα. Η τμηματοποίηση το επεκτείνει σε πολλά tokens δευτερευουσών λέξεων.
- Επιβάρυνση διάταξης: Οι κεφαλίδες, τα υποσέλιδα, οι αριθμοί σελίδων και το επαναλαμβανόμενο νομικό κείμενο αυξάνουν τον αριθμό των tokens.
- Απώλεια μορφοποίησης: Οι πίνακες γίνονται λεκτικές ακολουθίες. Ένας δομημένος πίνακας 10×10 μπορεί να εκραγεί σε χιλιάδες tokens.
- Παράθυρα περιβάλλοντος: Τα μεγάλα έγγραφα απαιτούν συρόμενα παράθυρα ή διοχετεύσεις ανάκτησης, στέλνοντας ξανά το περιβάλλον επανειλημμένα.
Αντίθετα, οι οπτικοί κωδικοποιητές επεξεργάζονται μια σελίδα ως ένα σταθερό σύνολο patches (π.χ., 768–2.048 tokens ανά σελίδα) ανεξάρτητα από τον ακατέργαστο αριθμό χαρακτήρων. Αυτό είναι το θεμελιώδες κέρδος αποδοτικότητας πίσω από τον σχεδιασμό του DeepSeek-OCR.
Πώς το DeepSeek-OCR επιτυγχάνει εξοικονόμηση έως και 10 φορές
Σκεφτείτε τη στοίβα "κείμενο ως εικόνα" ως τέσσερα επίπεδα:
- Οπτική τμηματοποίηση αντί για τμηματοποίηση δευτερευουσών λέξεων
- Μια σελίδα PDF γίνεται N οπτικά patches (π.χ., 14×14 = 196 patches ανά περιοχή· ή σελίδες με πλακίδια σε ~1–2k tokens).
- Κάθε patch φέρει σημασιολογικές υποδείξεις (σχήματα γλυφών, χωρικές σχέσεις, ενδείξεις γραμματοσειράς) τις οποίες ένα μοντέλο όρασης-γλώσσας μπορεί να επεξεργαστεί.
- Λογική που γνωρίζει τη διάταξη
- Το μοντέλο "βλέπει" τη δομή του εγγράφου—πίνακες, επικεφαλίδες, επεξηγήσεις—χωρίς να τα αναδημιουργεί ως μεγάλες λεκτικές περιγραφές.
- Για ανάκτηση, μπορεί να επιλέξει σχετικές περιοχές αντί να μεταδίδει ολόκληρες σελίδες.
- Αραιή αποκωδικοποίηση (δημιουργία λιγότερων)
- Αντί να εξάγει ολόκληρο το κείμενο του εγγράφου, το μοντέλο μπορεί να εξάγει μόνο αυτό που χρειάζεται: ένα πεδίο, έναν πίνακα, μια περίληψη.
- Λιγότερη δημιουργία = χαμηλότερα tokens εξόδου.
- Συμπίεση μέσω επαναχρησιμοποίησης patch
- Επαναλαμβανόμενα στοιχεία (λογότυπα, κεφαλίδες) εμφανίζονται ως παρόμοια οπτικά tokens από σελίδα σε σελίδα, επιτρέποντας πιο αποτελεσματική προσοχή και προσωρινή αποθήκευση.
Συνολικά, αυτές οι επιλογές εξηγούν γιατί η προσέγγιση "κείμενο ως εικόνα" του DeepSeek-OCR μειώνει το κόστος των tokens έως και 10 φορές σε φόρμες, τιμολόγια, επιστημονικά PDF και μακροχρόνιες συμβάσεις.
Δείξτε μου τα μαθηματικά: μια κατά προσέγγιση σύγκριση κόστους
Σενάριο: Σύμβαση 20 σελίδων, ~7.500 λέξεις (~10.000–12.000 tokens δευτερευουσών λέξεων μετά το OCR + μορφοποίηση).
- Tokens εισόδου ανά δέσμη: 8.000+ (απαιτεί διαχωρισμό, επαναλαμβανόμενο περιβάλλον)
- Tokens εξόδου (περιλήψεις, εξαγωγές): 500–1.000
- Συνολικό κόστος: Υψηλό, συν λανθάνουσα κατάσταση από τμηματοποίηση και επανα-ερωτήσεις
- DeepSeek-OCR "κείμενο ως εικόνα"
- Οπτικά tokens ανά σελίδα: ~1.000–2.000 (συχνά λιγότερα με πλακίδια/σμίκρυνση)
- Στοχευμένες ερωτήσεις περιοχής: 10–30% του εγγράφου κάθε φορά
- Έξοδος: 200–500 tokens ανά εργασία (στοχευμένη αποκωδικοποίηση)
- Συνολικό κόστος: Συχνά ένα κλάσμα των παραπάνω, με λιγότερες επανα-αποστολές
Όταν κλιμακωθεί σε εκατοντάδες έγγραφα, η σωρευτική εξοικονόμηση προσεγγίζει τον τίτλο «έως και 10 φορές» σε κόστος και λανθάνουσα κατάσταση—ειδικά για επαναλαμβανόμενο περιεχόμενο με μεγάλη διάταξη.
Πού λάμπει το "κείμενο ως εικόνα" έναντι του κλασικού OCR
- Πυκνές διατάξεις: πίνακες, αποδείξεις, τιμολόγια, ετικέτες αποστολής, ιατρικές φόρμες
- Πολύγλωσσα ή μικτά σενάρια: Κινέζικα + Αγγλικά + μαθηματικοί συμβολισμοί, όπου ο κατακερματισμός OCR αυξάνει τα tokens
- Θορυβώδεις σαρώσεις: σφραγίδες, υδατογραφήματα, λοξές σελίδες—τα μοντέλα όρασης επεξεργάζονται τον θόρυβο καλύτερα από τις εύθραυστες διοχετεύσεις OCR
- Δομημένη εξαγωγή: εξαγωγή συγκεκριμένων πεδίων, στοιχείων γραμμής ή κελιών πίνακα
- Συμπερασματική QA: «Ποια ρήτρα καλύπτει τον τερματισμό;» σε σελίδες χωρίς να στείλετε ξανά όλο το κείμενο
Πότε το κλασικό OCR εξακολουθεί να κερδίζει
- Εξαγωγές πλήρους κειμένου με τέλεια πιστότητα: Χρειάζεστε καθαρό, αντιγράψιμο κείμενο για αναζήτηση/ευρετήριο.
- Εξαιρετικά συσκευές χαμηλών πόρων: Εάν δεν μπορείτε να εκτελέσετε έναν κωδικοποιητή όρασης ή ένα μεγάλο VLM, το απλό OCR μπορεί να είναι φθηνότερο τοπικά.
- Workflows προσβασιμότητας: Τα προγράμματα ανάγνωσης οθόνης απαιτούν σημασιολογική έξοδο κειμένου· οι ροές μόνο εικόνας δεν θα είναι αρκετές εκτός εάν προσθέσετε ένα βήμα εξαγωγής κειμένου.
Pro tip: Υβριδοποιήστε. Χρησιμοποιήστε το "κείμενο ως εικόνα" για λογική και εξαγωγή πεδίου. Επιστρέψτε στο OCR για τελικά αρχεία με δυνατότητα αναζήτησης ή επίπεδα προσβασιμότητας.
Μοτίβο αρχιτεκτονικής: ένα πρακτικό προσχέδιο
Χρησιμοποιήστε αυτό το αρθρωτό μοτίβο για να υιοθετήσετε τις αρχές του DeepSeek-OCR χωρίς να ξαναχτίσετε τη στοίβα σας:
- Αποδοχή PDF, TIFF, σαρώσεις· κανονικοποίηση ανάλυσης (π.χ., 144–192 DPI)
- Τοποθετήστε μακροχρόνιες σελίδες για να διατηρήσετε τους αριθμούς των patch περιορισμένους
- Εκτελέστε έναν κωδικοποιητή όρασης για να δημιουργήσετε πυκνές ενσωματώσεις ανά πλακίδιο/σελίδα
- Προσωρινή αποθήκευση ενσωματώσεων για επαναλαμβανόμενες ερωτήσεις (αποσβένει το κόστος)
- Χρησιμοποιήστε την ανίχνευση διάταξης για να επιλέξετε υποψήφιες περιοχές (τίτλος, πίνακες, μπλοκ υπογραφής)
- Εφαρμόστε την αναζήτηση διανυσμάτων σε οπτικές ενσωματώσεις ή ανιχνευτές μικρού βάρους
- Ζητήστε από το VLM μόνο τις επιλεγμένες περιοχές + μια προτροπή εργασίας
- Χρησιμοποιήστε περιορισμένη αποκωδικοποίηση (σχήμα JSON) για δομημένες εξόδους
- Κανονικοποίηση πεδίων (ημερομηνίες, ποσά, νομίσματα)
- Προαιρετικό πέρασμα OCR για ακριβείς συμβολοσειρές κειμένου όταν χρειάζεται
Αυτή η διοχέτευση διατηρεί τα οπτικά tokens χαμηλά, περιορίζει την εστίαση του μοντέλου και μειώνει το μήκος δημιουργίας—τρεις μοχλούς που συνδυάζονται για σημαντική εξοικονόμηση.
Ακρίβεια, αξιοπιστία και ακραίες περιπτώσεις
- Λεπτό κείμενο σε χαμηλό DPI: Οι μικροσκοπικές γραμματοσειρές μπορούν να διαβαστούν λανθασμένα. Χρησιμοποιήστε προσαρμοστική τοποθέτηση ή υψηλότερο DPI για ύποπτες μικρές περιοχές κειμένου.
- Χειρόγραφο: Τα μοντέλα όρασης βοηθούν, αλλά μπορεί να εξακολουθούν να απαιτούνται εξειδικευμένη λεπτομερής ρύθμιση για συγκεκριμένο πεδίο ή εξειδικευμένοι αναγνώστες χειρογράφων.
- Μπλοκ μαθηματικών και κώδικα: Το οπτικό περιβάλλον βοηθά στη διατήρηση της δομής, αλλά εξετάστε το ενδεχόμενο επιλεκτικού OCR για ακριβή πιστότητα σύνταξης.
- Πίνακες με συγχωνευμένα κελιά: Η προσοχή στη διάταξη συνήθως βοηθά, αλλά οι μετα-κανόνες μπορούν να ενισχύσουν την αξιοπιστία (π.χ., εξαγωγή συμπερασμάτων κεφαλίδας, έλεγχοι οριοθετών).
Συμβουλή για τη δημιουργία σημείων αναφοράς: Αξιολογήστε σε επίπεδο εργασίας (F1 σε επίπεδο πεδίου, ακρίβεια πίνακα, ακριβής αντιστοιχία QA) και όχι ακατέργαστο ποσοστό σφαλμάτων χαρακτήρων.
Μοχλοί κόστους που ελέγχετε
- Υποδειγματοληψία: Το χαμηλότερο DPI μειώνει τα οπτικά tokens· δοκιμάστε τα όρια που διατηρούν την ακρίβεια άθικτη.
- Διαλογή περιοχής: Μην στέλνετε ποτέ ολόκληρες σελίδες εάν χρειάζεστε μόνο μια ρήτρα ή έναν πίνακα.
- Περιορισμοί εξόδου: Τα σχήματα JSON ή τα μοτίβα regex μειώνουν τις λεκτικές γεννήσεις.
- Προσωρινή αποθήκευση: Επαναχρησιμοποιήστε οπτικές ενσωματώσεις για το ίδιο έγγραφο σε πολλές ερωτήσεις.
- Μικτή ακρίβεια/κβαντοποίηση: Εάν φιλοξενείτε μόνοι σας, το FP16/INT8 μπορεί να μειώσει τον υπολογισμό και τη λανθάνουσα κατάσταση.
Παραδείγματα εφαρμογής (σενάρια)
- Εξαγωγή στοιχείου γραμμής τιμολογίου
- Αποστολή μόνο του μπλοκ στοιχείων γραμμής και του κουτιού προμηθευτή ως εικόνες
- Περιορισμός της εξόδου σε ένα σχήμα JSON (ημερομηνία, προμηθευτής, νόμισμα, στοιχεία[])
- Προαιρετική επιστροφή στο OCR για το ID τιμολογίου για να εγγυηθεί ακριβή αντιστοιχία συμβολοσειράς
- Ενσωματώστε κάθε σελίδα οπτικά μία φορά· αποθηκεύστε σε ένα DB διανυσμάτων
- Ανάκτηση 1–3 περιοχών που σχετίζονται με το ερώτημα («τερματισμός», «εκχώρηση», «διέπον νόμο»)
- Ζητήστε από το VLM να αναφέρει τον δείκτη περιοχής και να συνοψίσει τη ρήτρα σε ≤120 tokens
- Συνοπτική παρουσίαση επιστημονικού PDF
- Εστίαση στον τίτλο, την περίληψη, τις εικόνες και τις περιοχές συμπερασμάτων
- Δημιουργήστε μια απλή περίληψη και μια λίστα ελέγχου μεθόδων· αποφύγετε την αποστολή της ενότητας αναφορών
Αυτά τα μοτίβα ελαχιστοποιούν τόσο τα tokens εισόδου όσο και τα tokens εξόδου, διατηρώντας παράλληλα την ακρίβεια όπου έχει σημασία.
Γιατί έως και 10 φορές και όχι πάντα 10 φορές;
Η εξοικονόμηση tokens εξαρτάται από:
- Πυκνότητα εγγράφου: Οι βαρύτερες διατάξεις ωφελούνται περισσότερο
- Εύρος εργασίας: Η στοχευμένη εξαγωγή κερδίζει την πλήρη αναγέννηση κειμένου
- Τιμολόγηση μοντέλου: Η τιμολόγηση οπτικής εισόδου έναντι της τιμολόγησης εισόδου κειμένου διαφέρει ανάλογα με τον πάροχο
- Προ-/μετα-επεξεργασία: Η καλή επιλογή περιοχής και η περιορισμένη αποκωδικοποίηση ενισχύουν τα κέρδη
Αναμείνετε 2–4× γενικά + αιχμές σε ~10× σε σύνθετα, πολύ-σελιδικά, workflows με μεγάλη διάταξη.
Συνήθεις παρανοήσεις
- «Οι εικόνες είναι βαρύτερες από το κείμενο, επομένως αυτό πρέπει να κοστίζει περισσότερο.»
- Στην τιμολόγηση LLM, το κόστος παρακολουθεί τα tokens μοντέλου και όχι το ακατέργαστο μέγεθος αρχείου. Τα οπτικά patches συχνά αντικαθιστούν χιλιάδες tokens δευτερευουσών λέξεων.
- «Το OCR έχει επιλυθεί, οπότε γιατί να το περιπλέξουμε;»
- Το OCR αγωνίζεται με τη σημασιολογία διάταξης, τους πίνακες, τις σφραγίδες και τον πολύγλωσσο θόρυβο. Τα μοντέλα όρασης-γλώσσας επεξεργάζονται απευθείας τη δομή.
- «Δεν μπορείτε να λάβετε ακριβές κείμενο από εικόνες.»
- Αληθές για τέλεια pixel συμβολοσειρές. Γι' αυτό πολλές ομάδες συνδυάζουν την προσέγγιση με επιλεκτικό OCR μόνο όπου απαιτείται ακρίβεια.
Εργαλεία και σημειώσεις ενσωμάτωσης
- Επίπεδο ανάκτησης: Χρησιμοποιήστε ανιχνευτές διάταξης (στυλ DocLayNet) ή εκπαιδεύστε ένα μοντέλο πρότασης περιοχής μικρού βάρους για φόρμες/πίνακες.
- Αποκωδικοποίηση περιορισμένη από σχήμα: Οι περιορισμοί JSON Schema ή Pydantic-style μειώνουν τη λεκτικότητα και τα σφάλματα.
- Εργαλείο αξιολόγησης: Μετρήστε τον χρόνο απόκρισης, το κόστος ανά έγγραφο και την ακρίβεια σε επίπεδο πεδίου—όχι μόνο τους αριθμούς των tokens.
- Απόρρητο: Για ευαίσθητα έγγραφα, εξετάστε τα on-prem VLMs και βεβαιωθείτε για την κρυπτογραφημένη αποθήκευση των οπτικών ενσωματώσεων.
Αξίζει να σημειωθεί: Εάν εξερευνάτε multi-modal workflows, το Sider.AI μπορεί να βελτιστοποιήσει τον πειραματισμό. Μπορείτε να επαναλάβετε προτροπές τόσο για εισόδους κειμένου όσο και για εισόδους εικόνας, να συγκρίνετε το κόστος/λανθάνουσα κατάσταση σε όλα τα μοντέλα δίπλα-δίπλα και να δημιουργήσετε αυτόματα δέσμες αξιολόγησης. Αυτό διευκολύνει την επικύρωση εάν η προσέγγιση "κείμενο ως εικόνα" του DeepSeek-OCR μειώνει πραγματικά το κόστος των tokens σας έως και 10 φορές στα δικά σας δεδομένα πριν δεσμευτείτε σε μια μετεγκατάσταση. Σχέδιο δράσης: πιλοτικό σε μια εβδομάδα
- Ημέρα 1–2: Οργανώστε την τρέχουσα διοχέτευση OCR + LLM. Καταγράψτε τα tokens εισόδου/εξόδου, τη λανθάνουσα κατάσταση και την ακρίβεια ανά εργασία.
- Ημέρα 3: Προσθέστε ένα βήμα οπτικής ενσωμάτωσης και ανάκτησης περιοχής. Προσωρινή αποθήκευση ανά σελίδα ενσωματώσεων.
- Ημέρα 4: Αντικαταστήστε την κλήση LLM σε ένα VLM για στοχευμένες περιοχές. Περιορίστε την έξοδο.
- Ημέρα 5: Εκτελέστε συγκρίσεις A/B σε 100–500 έγγραφα. Παρακολουθήστε τις διαφορές κόστους, την ακρίβεια και τις λειτουργίες σφαλμάτων.
- Ημέρα 6–7: Συντονίστε το DPI, την τοποθέτηση και τη διαλογή περιοχής· προσθέστε επιλεκτικές επιστροφές OCR.
Εάν οι αριθμοί ταιριάζουν με τις προσδοκίες, επεκταθείτε σε μια πλήρη ανάπτυξη· εάν όχι, εστιάστε στην καλύτερη επιλογή περιοχής και στην αυστηρότερη αποκωδικοποίηση για να πραγματοποιήσετε την εξοικονόμηση.
Βασικά συμπεράσματα
- Η προσέγγιση "κείμενο ως εικόνα" του DeepSeek-OCR μειώνει το κόστος των tokens έως και 10 φορές αντικαθιστώντας τα λεκτικά tokens κειμένου με συμπαγή οπτικά patches, χρησιμοποιώντας ανάκτηση σε επίπεδο περιοχής και ελαχιστοποιώντας τη δημιουργία.
- Υπερέχει σε πυκνά, ακατάστατα ή πολύγλωσσα έγγραφα και δομημένες εργασίες εξαγωγής.
- Οι υβριδικές στρατηγικές—όραση για λογική, επιλεκτικό OCR για ακριβείς συμβολοσειρές—συχνά προσφέρουν την καλύτερη αναλογία ακρίβειας προς κόστος.
- Η αυστηρή μέτρηση και οι αυστηροί περιορισμοί εξόδου είναι ο ταχύτερος δρόμος για πραγματική εξοικονόμηση.
Κοιτάζοντας μπροστά: μια σύντομη μελλοντική προβολή
Καθώς τα multimodal LLMs ωριμάζουν, αναμένετε ότι η κατανόηση εγγράφων θα συγκλίνει σε λογική πρώτα με όραση με ανάκτηση κειμένου κατ' απαίτηση. Θα δούμε περισσότερη προ-εκπαίδευση με γνώση της διάταξης, φθηνότερα οπτικά tokens και τυπικές εξόδους περιορισμένες από JSON. Για τις ομάδες που μάχονται με το κόστος LLM σήμερα, η μετάβαση στο "κείμενο ως εικόνα" μπορεί να είναι ο πιο σημαντικός μοχλός—ειδικά σε κλίμακα.
FAQ
Ε1: Τι είναι η προσέγγιση "κείμενο ως εικόνα" του DeepSeek-OCR με απλά λόγια;
Αντί να μετατρέπει τις σελίδες σε μεγάλες συμβολοσειρές με OCR, το DeepSeek-OCR διατηρεί το περιεχόμενο ως εικόνες και χρησιμοποιεί ένα μοντέλο όρασης-γλώσσας για να επεξεργαστεί τη διάταξη. Αυτό μειώνει τα tokens εισόδου και συχνά μειώνει το κόστος έως και 10 φορές.
Ε2: Πώς το "κείμενο ως εικόνα" μειώνει το κόστος των tokens σε σύγκριση με το OCR;
Τα οπτικά tokens (patches) συνοψίζουν μεγάλες περιοχές κειμένου και διάταξης, αντικαθιστώντας χιλιάδες tokens δευτερευουσών λέξεων. Η ανάκτηση σε επίπεδο περιοχής και η περιορισμένη αποκωδικοποίηση μειώνουν περαιτέρω τα tokens εισόδου και εξόδου.
Ε3: Είναι το DeepSeek-OCR πιο ακριβές από το παραδοσιακό OCR;
Για κατανόηση διάταξης και στοχευμένη εξαγωγή, συχνά αποδίδει καλύτερα επειδή επεξεργάζεται τη δομή. Για ακριβές, τέλειο χαρακτήρα κείμενο, η σύζευξή του με επιλεκτικό OCR μπορεί να αποδώσει την υψηλότερη ακρίβεια.
Ε4: Πότε πρέπει να προτιμώ το κλασικό OCR έναντι της διοχέτευσης "κείμενο ως εικόνα";
Χρησιμοποιήστε το κλασικό OCR εάν χρειάζεστε πλήρες, αντιγράψιμο κείμενο για αναζήτηση ή προσβασιμότητα. Για οικονομικά αποδοτική εξαγωγή, περιλήψεις και QA σε σύνθετα PDF, η προσέγγιση "κείμενο ως εικόνα" είναι συνήθως ανώτερη.
Ε5: Πώς μπορώ να πιλοτήσω το DeepSeek-OCR για να επαληθεύσω εξοικονόμηση έως και 10 φορές;
Δημιουργήστε σημεία αναφοράς για την τρέχουσα διοχέτευση OCR + LLM σε αντιπροσωπευτικά έγγραφα, στη συνέχεια αντικαταστήστε ένα μοντέλο όρασης-γλώσσας με διαλογή περιοχής και εξόδους περιορισμένες από σχήμα. Συγκρίνετε τους αριθμούς των tokens, τη λανθάνουσα κατάσταση και την ακρίβεια εργασίας δίπλα-δίπλα.
