What is DeepSeek‑OCR’s “text as image” approach in simple terms?

Instead of converting pages to long strings with OCR, DeepSeek‑OCR keeps content as images and uses a vision‑language model to reason over layout. This reduces input tokens and often cuts costs by up to 10×.

How does “text as image” reduce token costs compared to OCR?

Visual tokens (patches) summarize large regions of text and layout, replacing thousands of subword tokens. Region‑level retrieval and constrained decoding further slash both input and output tokens.

Is DeepSeek‑OCR more accurate than traditional OCR?

For layout understanding and targeted extraction, it often performs better because it reasons over structure. For exact, character‑perfect text, pairing it with selective OCR can yield the highest accuracy.

When should I prefer classic OCR over the “text as image” pipeline?

Use classic OCR if you need full, copyable text for search or accessibility. For cost‑efficient extraction, summaries, and QA on complex PDFs, the "text as image" approach is typically superior.

How can I pilot DeepSeek‑OCR to verify up to 10× savings?

Benchmark your current OCR + LLM pipeline on representative documents, then swap in a vision‑language model with region gating and schema‑constrained outputs. Compare token counts, latency, and task accuracy side‑by‑side.

DeepSeek-OCR-இன் “உருவமாக உரை” அணுகுமுறை எவ்வாறு டோக்கன் செலவுகளை 10 மடங்கு வரை குறைக்கிறது

அமைதியான புரட்சி: டோக்கன்களைச் சேமிக்க உரையை பிக்சல்களாக மாற்றுதல்

இங்கே ஒரு முரண்பாடான உண்மை உள்ளது: உரையை படங்களாக வழங்குவது மொழி மாதிரிகளை மலிவானதாகவும் வேகமானதாகவும் ஆக்கும். டீப்ஸீக்‑ஓசிஆர் (“உரையை படமாக” பைப்லைன்) ஒரு வழக்கமான ஓசிஆர் + எல்எல்எம் அமைப்புகளை விட 10 மடங்கு டோக்கன் செலவுகளைக் குறைப்பதாகக் கூறுகிறது. அது தலைகீழாகத் தெரிந்தால் - ஏன் ஒரு மொழி சிக்கலுக்கு கணினி பார்வையைச் சேர்க்க வேண்டும்? - இந்த விளக்கம் தொடங்கும் இடம் அதுதான்.

இந்த ஆழமான டைவில், "உரையை படமாக" அணுகுமுறை எவ்வாறு செயல்படுகிறது, ஏன் டோக்கன் எண்ணிக்கையை குறைக்கிறது, மேலும் எப்போது கிளாசிக் ஓசிஆரை விட சிறந்தது என்பதைப் பார்ப்போம். எட்ஜ் கேஸ்கள், துல்லியமான வர்த்தகப் பரிமாற்றங்கள் மற்றும் உற்பத்தியில் அதை நடைமுறை வழிகளில் பயன்படுத்துவது பற்றியும் பார்ப்போம்.

விரைவான அறிமுகம்: "உரையை படமாக" அணுகுமுறை என்றால் என்ன?

பாரம்பரிய பைப்லைன்: ஓசிஆர் (உரையைப் பிரித்தெடுக்கவும்) → டோக்கன்களாக பிரிக்கவும் → எல்எல்எம்க்கு அனுப்பவும் → ஒரு டோக்கனுக்கு பணம் செலுத்தவும்.

டீப்ஸீக்‑ஓசிஆர் அணுகுமுறை: உள்ளடக்கத்தை ஒரு படமாக (அல்லது பார்வைக்கு ஏற்ற தளவமைப்பாக) வைத்திருங்கள் → விஷன் என்கோடர் + எல்எல்எம் பயன்படுத்தவும் → விஷுவல் பேட்ச்/ஃபீச்சர் டோக்கனுக்கு பணம் செலுத்தவும் → தேர்ந்தெடுக்கப்பட்ட முறையில் டிகோட் செய்யவும்.

ஒரு பக்கத்தை ஆயிரக்கணக்கான சப்வேர்டு டோக்கன்களாக விரிவாக்குவதற்குப் பதிலாக, மாதிரி காட்சி பேட்ச்களின் கச்சிதமான கட்டத்தை பயன்படுத்துகிறது. ஒவ்வொரு பேட்சும் ஒரு சப்வேர்டு டோக்கனை விட அதிகமான தகவல்களை என்கோட் செய்கிறது - குறிப்பாக அடர்த்தியான தளவமைப்புகளுக்கு (டேபிள்கள், ரசீதுகள், படிவங்கள், பிடிஎஃப்கள்). அந்த என்கோடிங் செயல்திறனே டீப்ஸீக்‑ஓசிஆரின் "உரையை படமாக" அணுகுமுறை டோக்கன் செலவுகளை 10 மடங்கு வரை குறைப்பதற்கான முக்கிய காரணம்.

ஓசிஆர் + எல்எல்எம் ஒர்க்ஃப்ளோக்களில் டோக்கன் செலவுகள் ஏன் அதிகமாகின்றன

தேவையற்ற இடைவெளி மற்றும் பொய்லர் பிளேட்: ஓசிஆர் ஒவ்வொரு எழுத்தையும் பிரித்தெடுக்கிறது. துண்டுகளாக்குவது இதை பல சப்வேர்டு டோக்கன்களாக விரிவுபடுத்துகிறது.

தளவமைப்பு மேல்நிலை: தலைப்புகள், அடிக்குறிப்புகள், பக்க எண்கள் மற்றும் மீண்டும் மீண்டும் வரும் சட்ட உரை அனைத்தும் டோக்கன் எண்ணிக்கையை அதிகரிக்கின்றன.

ஃபார்மாட்டிங் இழப்பு: டேபிள்கள் மிகைப்படுத்தப்பட்ட வரிசைகளாக மாறும். கட்டமைக்கப்பட்ட 10×10 டேபிள் ஆயிரக்கணக்கான டோக்கன்களாக வெடிக்கலாம்.

கான்டெக்ஸ்ட் விண்டோக்கள்: நீண்ட ஆவணங்களுக்கு ஸ்லைடிங் விண்டோக்கள் அல்லது மீட்டெடுப்பு பைப்லைன்கள் தேவை, கான்டெக்ஸ்ட்டை மீண்டும் மீண்டும் அனுப்ப வேண்டும்.

இதற்கு மாறாக, விஷுவல் என்கோடர்கள் ஒரு பக்கத்தை ஒரு நிலையான பேட்ச் தொகுப்பாக (எ.கா., ஒரு பக்கத்திற்கு 768–2,048 டோக்கன்கள்) மூல எழுத்து எண்ணிக்கையைப் பொருட்படுத்தாமல் செயலாக்குகின்றன. அதுவே டீப்ஸீக்‑ஓசிஆர் வடிவமைப்பின் பின்னணியில் உள்ள அடிப்படை செயல்திறன் வெற்றி.

டீப்ஸீக்‑ஓசிஆர் எவ்வாறு 10 மடங்கு வரை சேமிப்பை அடைகிறது

"உரையை படமாக" ஸ்டேக்கை நான்கு அடுக்குகளாக நினைத்துப் பாருங்கள்:

சப்வேர்டு டோக்கனைசேஷனுக்கு பதிலாக விஷுவல் டோக்கனைசேஷன்

ஒரு பிடிஎஃப் பக்கம் N விஷுவல் பேட்ச்களாக மாறும் (எ.கா., 14×14 = ஒரு பகுதிக்கு 196 பேட்ச்கள்; அல்லது ~1–2k டோக்கன்களில் டைல் செய்யப்பட்ட பக்கங்கள்).

ஒவ்வொரு பேட்சும் செமாண்டிக் குறிப்புகளை (கிளிஃப் வடிவங்கள், இடஞ்சார்ந்த உறவுகள், எழுத்துரு குறிப்புகள்) கொண்டு செல்கிறது, அதை விஷன்‑லாங்குவேஜ் மாடல் மூலம் நியாயப்படுத்த முடியும்.

தளவமைப்பு சார்ந்த நியாயம்

மாடல் ஆவண அமைப்பைக் "காண்கிறது" - டேபிள்கள், தலைப்புகள், கால்அவுட்கள் - அவற்றை நீண்ட உரை விளக்கங்களாக மீண்டும் உருவாக்காமல்.

மீட்டெடுப்பிற்கு, இது முழு பக்கங்களையும் ஸ்ட்ரீம் செய்வதற்கு பதிலாக தொடர்புடைய பகுதிகளைத் தேர்ந்தெடுக்கலாம்.

ஸ்பார்ஸ் டிகோடிங் (குறைவாக உருவாக்கவும்)

முழு ஆவண உரையை வெளியிடுவதற்குப் பதிலாக, மாடல் தேவையானதை மட்டும் பிரித்தெடுக்க முடியும்: ஒரு ஃபீல்டு, ஒரு டேபிள், ஒரு சுருக்கம்.

குறைந்த ஜெனரேஷன் = குறைந்த வெளியீட்டு டோக்கன்கள்.

பேட்ச் மறுபயன்பாடு மூலம் சுருக்கம்

மீண்டும் மீண்டும் வரும் கூறுகள் (லோகோக்கள், தலைப்புகள்) பக்கம்‑க்கு‑பக்கம் ஒத்த காட்சி டோக்கன்களாகத் தோன்றும், இது மிகவும் திறமையான கவனம் மற்றும் கேச்சிங்கை செயல்படுத்துகிறது.

மொத்தத்தில், இந்த தேர்வுகள் ஏன் டீப்ஸீக்‑ஓசிஆரின் "உரையை படமாக" அணுகுமுறை படிவங்கள், இன்வாய்ஸ்கள், அறிவியல் பிடிஎஃப்கள் மற்றும் நீண்ட ஒப்பந்தங்களில் டோக்கன் செலவுகளை 10 மடங்கு வரை குறைக்கிறது என்பதை விளக்குகிறது.

எனக்கு கணிதத்தைக் காட்டுங்கள்: ஒரு தோராயமான செலவு ஒப்பீடு

காட்சி: 20‑பக்க ஒப்பந்தம், ~7,500 வார்த்தைகள் (~10,000–12,000 சப்வேர்டு டோக்கன்கள் ஓசிஆர் + ஃபார்மாட்டிங் பிறகு).

கிளாசிக் ஓசிஆர் + எல்எல்எம்

ஒரு தொகுதிக்கு உள்ளீட்டு டோக்கன்கள்: 8,000+ (பிரித்தல், மீண்டும் மீண்டும் வரும் கான்டெக்ஸ்ட் தேவை)

வெளியீட்டு டோக்கன்கள் (சுருக்கங்கள், பிரித்தெடுத்தல்கள்): 500–1,000

மொத்த செலவு: அதிகம், மேலும் துண்டுகளாக்குதல் மற்றும் மீண்டும் வினவுவதில் இருந்து தாமதம்

டீப்ஸீக்‑ஓசிஆர் “உரையை படமாக”

ஒரு பக்கத்திற்கு விஷுவல் டோக்கன்கள்: ~1,000–2,000 (டைலிங்/டவுன்சைஸிங் மூலம் பெரும்பாலும் குறைவு)

இலக்கு வைக்கப்பட்ட பகுதி வினவல்கள்: ஆவணத்தின் 10–30% ஒரு நேரத்தில்

வெளியீடு: ஒரு பணிக்கு 200–500 டோக்கன்கள் (குவிய டிகோடிங்)

மொத்த செலவு: பெரும்பாலும் மேலே உள்ளவற்றில் ஒரு பகுதி, குறைவான மீண்டும் அனுப்புதல்களுடன்

நூற்றுக்கணக்கான ஆவணங்களில் அளவிடும்போது, திரட்டப்பட்ட சேமிப்பு தலைப்புச் செய்தியை நெருங்குகிறது “10 மடங்கு வரை” செலவு மற்றும் தாமதத்தில் - குறிப்பாக மீண்டும் மீண்டும் வரும், தளவமைப்பு‑அதிக உள்ளடக்கத்திற்கு.

எங்கே “உரையை படமாக” கிளாசிக் ஓசிஆருக்கு எதிராக பிரகாசிக்கிறது

அடர்த்தியான தளவமைப்புகள்: டேபிள்கள், ரசீதுகள், இன்வாய்ஸ்கள், ஷிப்பிங் லேபிள்கள், மருத்துவ படிவங்கள்

பன்மொழி அல்லது கலப்பு எழுத்துகள்: சீனம் + ஆங்கிலம் + கணிதக் குறிப்புகள், அங்கு ஓசிஆர் துண்டாடுதல் டோக்கன்களை பலூனாக்குகிறது

சத்தமில்லாத ஸ்கேன்கள்: ஸ்டாம்புகள், வாட்டர்மார்க்குகள், சாய்ந்த பக்கங்கள் - எளிதில் உடையக்கூடிய ஓசிஆர் பைப்லைன்களை விட விஷன் மாடல்கள் சத்தத்தை வைத்து நியாயப்படுத்துகின்றன

கட்டமைக்கப்பட்ட பிரித்தெடுத்தல்: குறிப்பிட்ட ஃபீல்டுகளை, வரி‑உருப்படிகளை அல்லது டேபிள் செல்களை இழுப்பது

சூழல் QA: அனைத்து உரையும் மீண்டும் அனுப்பாமல் பக்கங்களில் "எந்த விதி நிறுத்தம் உள்ளடக்கியது?"

எப்போது கிளாசிக் ஓசிஆர் இன்னும் வெற்றி பெறுகிறது

சரியான விசுவாசத்துடன் முழு‑உரை ஏற்றுமதி: தேடல்/இன்டெக்ஸிற்காக உங்களுக்கு சுத்தமான, நகலெடுக்கக்கூடிய உரை தேவை.

தீவிர குறைந்த‑வள சாதனங்கள்: விஷன் என்கோடரை அல்லது பெரிய விஎல்எம்களை இயக்க முடியாவிட்டால், எளிய ஓசிஆர் உள்ளூரில் மலிவானதாக இருக்கலாம்.

அணுகல்தன்மை ஒர்க்ஃப்ளோக்கள்: திரை வாசகர்களுக்கு செமாண்டிக் உரை வெளியீடு தேவை; நீங்கள் ஒரு உரை ஏற்றுமதி படிநிலையைச் சேர்க்காவிட்டால், படம்‑மட்டும் ஓட்டங்கள் போதுமானதாக இருக்காது.

புரோ டிப்: கலப்பினமாக்குங்கள். நியாயப்படுத்துதல் மற்றும் ஃபீல்டு பிரித்தெடுத்தலுக்கு “உரையை படமாக” பயன்படுத்தவும். இறுதி தேடக்கூடிய ஆவணக் காப்பகங்கள் அல்லது அணுகல்தன்மை அடுக்குகளுக்கு ஓசிஆருக்கு திரும்பவும்.

கட்டிடக்கலை அமைப்பு: ஒரு நடைமுறை ப்ளூபிரிண்ட்

உங்கள் ஸ்டேக்கை மீண்டும் கட்டியெழுப்பாமல் டீப்ஸீக்‑ஓசிஆர் கொள்கைகளை ஏற்றுக்கொள்வதற்கு இந்த மட்டு அமைப்பைப் பயன்படுத்தவும்:

உட்கொள்ளுதல்

பிடிஎஃப்கள், டிஐஎஃப்எஃப்கள், ஸ்கேன்களை ஏற்றுக்கொள்ளுங்கள்; தெளிவுத்திறனை இயல்பாக்குங்கள் (எ.கா., 144–192 டிபிஐ)

பேட்ச் எண்ணிக்கையை வரம்பிற்குள் வைத்திருக்க நீண்ட பக்கங்களைத் டைல் செய்யவும்

விஷுவல் உட்பொதித்தல்

ஒவ்வொரு டைல்/பக்கத்திற்கும் அடர்த்தியான உட்பொதிப்புகளை உருவாக்க விஷன் என்கோடரை இயக்கவும்

மீண்டும் மீண்டும் வரும் வினவல்களுக்கு உட்பொதிப்புகளைக் கேச் செய்யவும் (செலவை ஈடுசெய்கிறது)

பகுதி மீட்டெடுப்பு

வேட்பாளர் பகுதிகளைத் தேர்ந்தெடுக்க லேஅவுட் கண்டறிதலைப் பயன்படுத்தவும் (தலைப்பு, டேபிள்கள், கையொப்பத் தொகுதிகள்)

விஷுவல் உட்பொதிப்புகள் அல்லது இலகுரக கண்டறிதல்கள் மீது வெக்டர் தேடலைப் பயன்படுத்தவும்

விஎல்எம் நியாயம்

தேர்ந்தெடுக்கப்பட்ட பகுதிகள் + ஒரு பணி தூண்டுதலுடன் மட்டுமே விஎல்எம் தூண்டவும்

கட்டமைக்கப்பட்ட வெளியீடுகளுக்கு கட்டுப்படுத்தப்பட்ட டிகோடிங்கை (JSON ஸ்கீமா) பயன்படுத்தவும்

பிந்தைய‑செயலாக்கம்

ஃபீல்டுகளை இயல்பாக்குங்கள் (தேதிகள், தொகைகள், நாணயங்கள்)

தேவைப்படும்போது சரியான உரை சரங்களுக்கு விருப்ப ஓசிஆர் பாஸ்

இந்த பைப்லைன் விஷுவல் டோக்கன்களை குறைவாக வைத்திருக்கிறது, மாதிரியின் கவனத்தை குறுகலாக்குகிறது மற்றும் ஜெனரேஷன் நீளத்தைக் குறைக்கிறது - மூன்று லீவர்கள் இணைந்து பெரிய சேமிப்புகளை வழங்குகிறது.

துல்லியம், நம்பகத்தன்மை மற்றும் எட்ஜ் கேஸ்கள்

குறைந்த டிபிஐயில் ஃபைன் டெக்ஸ்ட்: சிறிய எழுத்துருக்களை தவறாகப் படிக்கலாம். சந்தேகிக்கப்படும் சிறிய உரை பகுதிகளுக்கு அடாப்டிவ் டைலிங் அல்லது உயர் டிபிஐ பயன்படுத்தவும்.

கையெழுத்து: விஷன் மாடல்கள் உதவுகின்றன, ஆனால் ஃபீல்டு‑குறிப்பிட்ட ஃபைன்‑ட்யூனிங் அல்லது சிறப்பு கையெழுத்து அங்கீகாரங்கள் இன்னும் தேவைப்படலாம்.

கணிதம் மற்றும் குறியீடு தொகுதிகள்: விஷுவல் கான்டெக்ஸ்ட் கட்டமைப்பைப் பாதுகாக்க உதவுகிறது, ஆனால் சரியான தொடரியல் விசுவாசத்திற்கு தேர்ந்தெடுக்கப்பட்ட ஓசிஆரைக் கருத்தில் கொள்ளுங்கள்.

இணைக்கப்பட்ட செல்கள் கொண்ட டேபிள்கள்: லேஅவுட் கவனம் பொதுவாக உதவுகிறது, ஆனால் பிந்தைய‑விதிகள் நம்பகத்தன்மையை அதிகரிக்கலாம் (எ.கா., தலைப்பு அனுமானம், டெலிமிட்டர் சோதனைகள்).

பெஞ்ச்மார்க்கிங் டிப்: மூல எழுத்து பிழை விகிதத்தை விட பணி மட்டத்தில் (ஃபீல்டு‑மட்ட எஃப்1, டேபிள் துல்லியம், QA சரியான பொருத்தம்) மதிப்பிடவும்.

நீங்கள் கட்டுப்படுத்தும் செலவு லீவர்கள்

டவுன்சாம்பிளிங்: குறைந்த டிபிஐ விஷுவல் டோக்கன்களைக் குறைக்கிறது; துல்லியத்தை அப்படியே வைத்திருக்கும் வரம்புகளைச் சோதிக்கவும்.

பகுதி கேட்டிங்: உங்களுக்கு ஒரு விதி அல்லது ஒரு டேபிள் மட்டுமே தேவைப்பட்டால் முழு பக்கங்களையும் ஒருபோதும் அனுப்ப வேண்டாம்.

வெளியீட்டு கட்டுப்பாடுகள்: JSON ஸ்கீமா அல்லது ரெஜெக்ஸ் பேட்டர்ன்கள் விரிவான ஜெனரேஷன்களைக் குறைக்கின்றன.

கேச்சிங்: பல கேள்விகளுக்கு ஒரே ஆவணத்திற்கான விஷுவல் உட்பொதிப்புகளை மீண்டும் பயன்படுத்தவும்.

கலப்பு துல்லியம்/குவாண்டிசேஷன்: நீங்கள் சுய‑ஹோஸ்ட் செய்தால், எஃப்பி16/ஐஎன்டி8 கணக்கீடு மற்றும் தாமதத்தைக் குறைக்கலாம்.

செயல்படுத்தல் எடுத்துக்காட்டுகள் (காட்சிகள்)

இன்வாய்ஸ் லைன்‑உருப்படி பிரித்தெடுத்தல்

வரி‑உருப்படி தொகுதி மற்றும் விற்பனையாளர் பெட்டியை மட்டும் படங்களாக அனுப்பவும்

JSON ஸ்கீமாவிற்கு வெளியீட்டைக் கட்டுப்படுத்துங்கள் (தேதி, விற்பனையாளர், நாணயம், உருப்படிகள்[])

சரியான சரம் பொருத்தத்தை உறுதிப்படுத்த இன்வாய்ஸ் ஐடிக்கான விருப்ப ஓசிஆர் ஃபால்பேக்

ஒப்பந்த விதி QA

ஒவ்வொரு பக்கத்தையும் காட்சி ரீதியாக உட்பொதிக்கவும்; ஒரு வெக்டர் டிபியில் சேமிக்கவும்

வினவலுக்கு தொடர்புடைய 1–3 பகுதிகளை மீட்டெடுக்கவும் (“நிறுத்தம்,” “ஒப்படைப்பு,” “ஆளும் சட்டம்”)

பகுதி குறியீட்டை மேற்கோள் காட்டவும் மற்றும் விதியை ≤120 டோக்கன்களில் சுருக்கவும் விஎல்எம்மை கேட்கவும்

அறிவியல் பிடிஎஃப் சுருக்கம்

தலைப்பு, சுருக்கம், படங்கள் மற்றும் முடிவுப் பகுதிகளில் கவனம் செலுத்துங்கள்

ஒரு லே சுருக்கம் மற்றும் ஒரு முறைகள் சரிபார்ப்பு பட்டியலை உருவாக்கவும்; குறிப்புகள் பகுதியை அனுப்புவதைத் தவிர்க்கவும்

இந்த அமைப்புகள் உள்ளீடு மற்றும் வெளியீடு டோக்கன்கள் இரண்டையும் குறைக்கும் அதே வேளையில் அது முக்கியத்துவம் வாய்ந்த துல்லியத்தைப் பாதுகாக்கிறது.

ஏன் 10 மடங்கு வரை மற்றும் எப்போதும் 10 மடங்கு இல்லை?

டோக்கன் சேமிப்புகள் இதைச் சார்ந்துள்ளது:

ஆவண அடர்த்தி: கனமான தளவமைப்புகள் அதிகம் பயனடைகின்றன

பணி நோக்கம்: இலக்கு வைக்கப்பட்ட பிரித்தெடுத்தல் முழு‑உரை மீளுருவாக்கத்தை விட சிறந்தது

மாடல் விலை: விஷன் உள்ளீட்டு விலை மற்றும் உரை உள்ளீட்டு விலை வழங்குநரைப் பொறுத்து மாறுபடும்

முன்/பிந்தைய‑செயலாக்கம்: நல்ல பகுதி தேர்வு மற்றும் கட்டுப்படுத்தப்பட்ட டிகோடிங் ஆதாயங்களை அதிகரிக்கும்

பொதுவாக 2–4× எதிர்பார்க்கவும் + சிக்கலான, பல‑பக்க, தளவமைப்பு‑கனமான ஒர்க்ஃப்ளோக்களில் ~10× வரை ஸ்பைக்குகள்.

பொதுவான தவறான கருத்துகள்

“படங்கள் உரையை விட கனமானவை, எனவே இது அதிக செலவாகும்.”

எல்எல்எம் பில்லிங்கில், செலவு மூல கோப்பு அளவை அல்ல, மாடல் டோக்கன்களைக் கண்காணிக்கிறது. விஷுவல் பேட்ச்கள் பெரும்பாலும் ஆயிரக்கணக்கான சப்வேர்டு டோக்கன்களை மாற்றுகின்றன.

“ஓசிஆர் தீர்க்கப்பட்டது, எனவே ஏன் அதை சிக்கலாக்க வேண்டும்?”

ஓசிஆர் தளவமைப்பு செமாண்டிக்ஸ், டேபிள்கள், ஸ்டாம்புகள் மற்றும் பன்மொழி சத்தத்துடன் போராடுகிறது. விஷன்‑லாங்குவேஜ் மாடல்கள் கட்டமைப்பை நேரடியாக வைத்து நியாயப்படுத்துகின்றன.

“படங்களிலிருந்து சரியான உரையைப் பெற முடியாது.”

பிக்சல்‑சரியான சரங்களுக்கு உண்மை. அதனால்தான் பல குழுக்கள் துல்லியம் தேவைப்படும் இடங்களில் மட்டுமே தேர்ந்தெடுக்கப்பட்ட ஓசிஆருடன் இந்த அணுகுமுறையை இணைக்கின்றன.

கருவி மற்றும் ஒருங்கிணைப்பு குறிப்புகள்

மீட்டெடுப்பு அடுக்கு: லேஅவுட் கண்டறிதல்களைப் பயன்படுத்தவும் (DocLayNet‑ஸ்டைல்), அல்லது படிவங்கள்/டேபிள்களுக்கான இலகுரக பகுதி முன்மொழிவு மாதிரியைப் பயிற்றுவிக்கவும்.

ஸ்கீமா‑கட்டுப்படுத்தப்பட்ட டிகோடிங்: JSON ஸ்கீமா அல்லது பைடான்டிக்‑ஸ்டைல் கட்டுப்பாடுகள் சொல்வதை குறைத்து பிழைகளை குறைக்கின்றன.

மதிப்பீட்டு கவசம்: பதில் அளிக்கும் நேரம், ஆவணத்திற்கு செலவு மற்றும் ஃபீல்டு‑மட்ட துல்லியம் - டோக்கன் எண்ணிக்கைகளை மட்டும் அல்ல - அளவிடவும்.

தனியுரிமை: முக்கியமான ஆவணங்களுக்கு, ஆன்‑பிரேம் விஎல்எம்களைக் கருத்தில் கொண்டு, விஷுவல் உட்பொதிப்புகளின் மறைகுறியாக்கப்பட்ட சேமிப்பை உறுதிப்படுத்தவும்.

குறிப்பிடத்தக்கது: நீங்கள் மல்டி‑மோடல் ஒர்க்ஃப்ளோக்களை ஆராய்ந்தால், Sider.AI பரிசோதனையை நெறிப்படுத்தலாம். உரை மற்றும் படம் உள்ளீடுகள் இரண்டிற்கும் தூண்டுதல்களை மீண்டும் செய்யலாம், பக்கவாட்டாக மாதிரிகள் முழுவதும் செலவு/தாமதத்தை ஒப்பிடலாம், மேலும் தானாகவே மதிப்பீட்டு தொகுதிகளை உருவாக்கலாம். டீப்ஸீக்‑ஓசிஆரின் "உரையை படமாக" அணுகுமுறை உண்மையில் இடம்பெயர்வதற்கு முன்பு உங்கள் சொந்த தரவுகளில் 10 மடங்கு வரை டோக்கன் செலவுகளைக் குறைக்கிறது என்பதை இது சரிபார்க்க எளிதாக்குகிறது.

செயல் திட்டம்: ஒரு வாரத்தில் பைலட்

1–2 நாட்கள்: உங்கள் தற்போதைய ஓசிஆர் + எல்எல்எம் பைப்லைனை அளவிடவும். ஒரு பணிக்கு உள்ளீடு/வெளியீடு டோக்கன்கள், தாமதம் மற்றும் துல்லியத்தை பதிவு செய்யவும்.

3 நாள்: விஷுவல் உட்பொதித்தல் படி மற்றும் பகுதி மீட்டெடுப்பைச் சேர்க்கவும். ஒரு‑பக்க உட்பொதிப்புகளை கேச் செய்யவும்.

4 நாள்: உங்கள் எல்எல்எம் அழைப்பை இலக்கு வைக்கப்பட்ட பகுதிகளுக்கான விஎல்எம்மிற்கு மாற்றவும். வெளியீட்டைக் கட்டுப்படுத்துங்கள்.

5 நாள்: 100–500 ஆவணங்களில் ஏ/பி ஒப்பீடுகளை இயக்கவும். செலவு டெல்டாக்கள், துல்லியம் மற்றும் பிழை முறைகளைக் கண்காணிக்கவும்.

6–7 நாட்கள்: டிபிஐ, டைலிங் மற்றும் பகுதி கேட்டிங்கை ட்யூன் செய்யவும்; தேர்ந்தெடுக்கப்பட்ட ஓசிஆர் ஃபால்பேக்குகளைச் சேர்க்கவும்.

எண்கள் எதிர்பார்ப்புகளுடன் பொருந்தினால், முழு ரோல்அவுட்டிற்கு விரிவாக்கவும்; இல்லையென்றால், சிறந்த பகுதி தேர்வு மற்றும் கடுமையான டிகோடிங்கில் கவனம் செலுத்துங்கள் சேமிப்பை உணர.

முக்கிய குறிப்புகள்

டீப்ஸீக்‑ஓசிஆரின் “உரையை படமாக” அணுகுமுறை, விரிவான உரை டோக்கன்களை கச்சிதமான விஷுவல் பேட்ச்களுடன் மாற்றுவதன் மூலம், பகுதி‑நிலை மீட்டெடுப்பைப் பயன்படுத்துவதன் மூலம் மற்றும் ஜெனரேஷனைக் குறைப்பதன் மூலம் டோக்கன் செலவுகளை 10 மடங்கு வரை குறைக்கிறது.

இது அடர்த்தியான, குழப்பமான அல்லது பன்மொழி ஆவணங்கள் மற்றும் கட்டமைக்கப்பட்ட பிரித்தெடுத்தல் பணிகளில் சிறந்து விளங்குகிறது.

கலப்பின உத்திகள் - நியாயப்படுத்தலுக்கு விஷன், சரியான சரங்களுக்கான தேர்ந்தெடுக்கப்பட்ட ஓசிஆர் - பெரும்பாலும் சிறந்த துல்லியமான‑க்கு‑செலவு விகிதத்தை வழங்குகின்றன.

கடுமையான அளவீடு மற்றும் இறுக்கமான வெளியீட்டு கட்டுப்பாடுகள் உண்மையான‑உலக சேமிப்பிற்கான விரைவான பாதையாகும்.

எதிர்காலத்தை நோக்குதல்: ஒரு சுருக்கமான எதிர்கால காஸ்ட்

மல்டிமோடல் எல்எல்எம்கள் முதிர்ச்சியடையும்போது, ஆவண புரிதல் ஆன்‑டிமாண்ட் உரை மீட்புடன் விஷன்‑முதல் நியாயத்தில் ஒன்றிணைவதை எதிர்பார்க்கலாம். அதிக லேஅவுட்‑அறிந்த முன்தயாரிப்பு, மலிவான விஷுவல் டோக்கன்கள் மற்றும் நிலையான JSON‑கட்டுப்படுத்தப்பட்ட வெளியீடுகளைக் காண்போம். இன்று எல்எல்எம் செலவுகளுடன் போராடும் குழுக்களுக்கு, “உரையை படமாக” மாற்றுவது மிகவும் தாக்கத்தை ஏற்படுத்தும் லீவராக இருக்கலாம் - குறிப்பாக அளவில்.

FAQ

Q1:டீப்ஸீக்‑ஓசிஆரின் “உரையை படமாக” அணுகுமுறை எளிய சொற்களில் என்ன? பக்கங்களை ஓசிஆர் மூலம் நீண்ட சரங்களாக மாற்றுவதற்குப் பதிலாக, டீப்ஸீக்‑ஓசிஆர் உள்ளடக்கத்தை படங்களாக வைத்திருக்கிறது மற்றும் தளவமைப்பை நியாயப்படுத்த ஒரு விஷன்‑லாங்குவேஜ் மாதிரியைப் பயன்படுத்துகிறது. இது உள்ளீட்டு டோக்கன்களைக் குறைக்கிறது மற்றும் பெரும்பாலும் செலவுகளை 10 மடங்கு வரை குறைக்கிறது.

Q2:ஓசிஆரை விட “உரையை படமாக” டோக்கன் செலவுகளை எவ்வாறு குறைக்கிறது? விஷுவல் டோக்கன்கள் (பேட்ச்கள்) உரை மற்றும் தளவமைப்பின் பெரிய பகுதிகளை சுருக்கமாகக் கூறுகின்றன, இது ஆயிரக்கணக்கான சப்வேர்டு டோக்கன்களை மாற்றுகிறது. பகுதி‑நிலை மீட்டெடுப்பு மற்றும் கட்டுப்படுத்தப்பட்ட டிகோடிங் மேலும் உள்ளீடு மற்றும் வெளியீடு டோக்கன்கள் இரண்டையும் குறைக்கிறது.

Q3:பாரம்பரிய ஓசிஆரை விட டீப்ஸீக்‑ஓசிஆர் அதிக துல்லியமானதா? தளவமைப்பு புரிதல் மற்றும் இலக்கு வைக்கப்பட்ட பிரித்தெடுத்தலுக்கு, இது பெரும்பாலும் சிறப்பாக செயல்படுகிறது ஏனெனில் இது கட்டமைப்பை வைத்து நியாயப்படுத்துகிறது. சரியான, எழுத்து‑சரியான உரைக்கு, அதைத் தேர்ந்தெடுக்கப்பட்ட ஓசிஆருடன் இணைப்பது அதிக துல்லியத்தை அளிக்கும்.

Q4:எப்போது “உரையை படமாக” பைப்லைனை விட கிளாசிக் ஓசிஆரை நான் விரும்ப வேண்டும்? தேடல் அல்லது அணுகல்தன்மைக்கு உங்களுக்கு முழு, நகலெடுக்கக்கூடிய உரை தேவைப்பட்டால் கிளாசிக் ஓசிஆரைப் பயன்படுத்தவும். செலவு‑திறன் பிரித்தெடுத்தல், சுருக்கங்கள் மற்றும் சிக்கலான பிடிஎஃப்களில் QAக்கு, "உரையை படமாக" அணுகுமுறை பொதுவாக சிறந்தது.

Q5:10 மடங்கு வரை சேமிப்பை சரிபார்க்க டீப்ஸீக்‑ஓசிஆரை நான் எவ்வாறு பைலட் செய்யலாம்? பிரதிநிதி ஆவணங்களில் உங்கள் தற்போதைய ஓசிஆர் + எல்எல்எம் பைப்லைனை பெஞ்ச்மார்க் செய்யவும், பின்னர் விஷன்‑லாங்குவேஜ் மாதிரியைப் பகுதி கேட்டிங் மற்றும் ஸ்கீமா‑கட்டுப்படுத்தப்பட்ட வெளியீடுகளுடன் மாற்றவும். டோக்கன் எண்ணிக்கைகள், தாமதம் மற்றும் பணி துல்லியத்தை பக்கவாட்டாக ஒப்பிடவும்.