How does DeepSeek‑OCR achieve 20× token reduction in practice?

By combining region filtering, schema‑based normalization, deduplication, content‑aware summarization, and compact serialization. These steps strip irrelevant and redundant text so the LLM sees only token‑efficient, task‑aligned data.

Will token reduction with DeepSeek‑OCR hurt accuracy on invoices or receipts?

Not if you keep critical fields intact and use confidence thresholds. In many cases, accuracy improves because noise is removed and the model focuses on structured, relevant fields.

What document types benefit most from DeepSeek‑OCR token compression?

Table‑heavy, multi‑page business documents like invoices, purchase orders, shipping documents, and bank statements. Redundant headers and repeated entities compress especially well.

How do I integrate DeepSeek‑OCR with my LLM without blowing up prompts?

Store a compact semantic JSON and retrieve only the fields needed per question using tool/function calls. Keep tight JSON with short keys and stable ordering to minimize tokens.

Can I use [Sider.AI](https://sider.ai) with DeepSeek‑OCR for cost optimization?

Yes. [Sider.AI](https://sider.ai) can orchestrate experiments across OCR settings and serialization formats, benchmark token usage and accuracy, and help you reach consistent 10–20× reductions in production.

DeepSeek-OCR Giúp Giảm Token Gấp 20 Lần Như Thế Nào

Tuyên bố táo bạo: Giảm số lượng token 20 lần mà không làm mất ý nghĩa

Nếu bạn thấy hóa đơn LLM của mình tăng vọt vì các biên lai, hóa đơn hoặc PDF được quét dài, thì lời hứa giảm số lượng token 20 lần có vẻ khó tin. Tuy nhiên, đó chính xác là những gì các quy trình DeepSeek‑OCR gần đây đang đạt được bằng cách nén văn bản trực quan thành các biểu diễn ngữ nghĩa tinh gọn trước khi chuyển bất cứ thứ gì cho một mô hình ngôn ngữ. Số lượng token đầu vào ít hơn, phản hồi nhanh hơn, chi phí giảm đáng kể — và thường có độ chính xác tốt hơn trong các tác vụ hạ nguồn.

Trong phần giải thích này, chúng tôi sẽ phân tích cách DeepSeek‑OCR đạt được mức giảm đó, nơi nó tỏa sáng (và nơi nó không tỏa sáng) và cách kết nối nó vào các quy trình làm việc thực tế như QA tài liệu, RAG và hiểu biểu mẫu — mà không biến dữ liệu của bạn thành mớ hỗn độn.

—

Kiến thức cơ bản nhanh: DeepSeek‑OCR thực sự là gì?

Hãy nghĩ về DeepSeek‑OCR như một quy trình ngôn ngữ thị giác ưu tiên OCR được tối ưu hóa cho khối lượng công việc của kỷ nguyên LLM. Thay vì đổ văn bản hoặc hình ảnh thô trực tiếp vào một mô hình đa năng, DeepSeek‑OCR:

Phát hiện và nhận dạng văn bản từ hình ảnh/PDF với khả năng nhận biết bố cục mạnh mẽ.

Chuẩn hóa và nén văn bản đó thành các biểu diễn có cấu trúc.

Tạo ra các đầu ra hiệu quả về token phù hợp với các lời nhắc hạ nguồn.

Kết quả? Bạn tiêu ít token hơn nhiều cho mỗi trang trong khi cải thiện tỷ lệ tín hiệu trên tạp âm cho LLM của bạn.

—

Tại sao token vượt khỏi tầm kiểm soát trên tài liệu

Hầu hết các nhóm bắt đầu với một cách tiếp cận ngây thơ: chuyển đổi PDF thành văn bản và nhồi mọi thứ vào lời nhắc. Đó là nơi chi phí bùng nổ. Đây là lý do:

Bố cục cồng kềnh: Tiêu đề, chân trang, số trang, hình mờ và nội dung trùng lặp tiêu tốn token.

Ngữ nghĩa dư thừa: Tên nhà cung cấp giống nhau xuất hiện trên mọi trang; các mục hàng lặp lại nhãn.

Văn bản giá trị thấp: Văn bản pháp lý mẫu, đường viền bảng hoặc nhiễu OCR.

Các vùng không liên quan: Logo, tem, chữ ký không trả lời câu hỏi của bạn.

DeepSeek‑OCR tấn công từng lớp này bằng cách nén có mục tiêu.

—

Năm đòn bẩy đằng sau việc giảm số lượng token 20 lần

Thay vì một thủ thuật duy nhất, DeepSeek‑OCR kết hợp nhiều kỹ thuật. Ngăn xếp chính xác khác nhau tùy theo cách triển khai, nhưng đây là những đòn bẩy cốt lõi di chuyển kim.

1) Trích xuất nhận biết theo vùng: không đọc những gì bạn sẽ không sử dụng

Phân đoạn trực quan cô lập các khối văn bản, bảng và vùng khóa-giá trị.

Các vùng không liên quan (logo, tiêu đề trang trí) được lọc.

Lời nhắc hạ nguồn chỉ có thể yêu cầu các vùng được chọn, ví dụ: “bảng các mặt hàng”, “địa chỉ thanh toán”, “tổng số”. Kết quả: Giảm 2–5 lần bằng cách loại trừ các vùng không trả lời.

2) Chuẩn hóa ưu tiên cấu trúc: nén bố cục thành ý nghĩa

Thay vì văn bản nhiều dòng thô, DeepSeek‑OCR xuất ra JSON có cấu trúc hoặc lược đồ nhỏ gọn.

Ví dụ: bản đồ khóa-giá trị, hàng bảng dưới dạng mảng, các phần phân cấp có ID.

Việc chuẩn hóa tùy chọn (định dạng ngày, mã tiền tệ) loại bỏ các biến thể nặng về token. Kết quả: Giảm 3–8 lần bằng cách biểu diễn bố cục một cách ngắn gọn.

3) Khử trùng lặp và các thực thể chính tắc: một ID, nhiều đề cập

Các thực thể lặp lại (tên công ty, địa chỉ, số nhận dạng chính sách) ánh xạ tới một mục chính tắc duy nhất.

Các tham chiếu trở thành ID ngắn thay vì chuỗi dài. Kết quả: Giảm 1,5–3 lần trong các tài liệu lặp đi lặp lại.

4) Tóm tắt nhận biết nội dung: giữ lại các sự kiện, loại bỏ phần thừa

Trình tóm tắt cấp trường nén các đoạn văn dài dòng thành các câu lệnh thực tế.

Các mẫu được điều chỉnh theo miền (ví dụ: bảo hiểm, hậu cần, tài chính) giữ lại các chi tiết quan trọng về tuân thủ. Kết quả: Giảm 2–6 lần tùy thuộc vào mức độ dài dòng.

5) Tuần tự hóa tối ưu token: chọn định dạng mà LLM phân tích cú pháp một cách rẻ tiền

JSON nhỏ gọn với các khóa ngắn hoặc bộ dữ liệu hướng dẫn theo lược đồ.

Tránh YAML dài dòng, khoảng trắng quá nhiều và các nhãn lồng nhau dài.

Thứ tự trường ổn định làm giảm chi phí lời nhắc trên các lô. Kết quả: Giảm 1,2–2 lần từ kỷ luật định dạng thuần túy.

Xếp chồng lại với nhau, những đòn bẩy này thường vượt quá 10 lần trên các PDF lộn xộn và có thể đạt tới 20 lần trên các biểu mẫu, hóa đơn nhiều trang và báo cáo dày đặc, đặc biệt khi bảng chiếm ưu thế.

—

Quy trình trông như thế nào trong thực tế?

Hãy cùng xem một quy trình thực tế, hướng đến giải pháp. Bạn có thể điều chỉnh quy trình này cho cơ sở hạ tầng của mình cho dù bạn chạy DeepSeek‑OCR tại chỗ hay thông qua API.

Tiếp nhận và phân đoạn

Đầu vào: PDF được quét, hình ảnh hoặc PDF kết hợp.

Các bước: phát hiện trang → đề xuất vùng → phát hiện khối văn bản và bảng → lọc nhiễu.

Đầu ra: bản đồ vùng có tọa độ và loại (tiêu đề/thân/chân trang, đoạn văn/bảng, logo/chữ ký).

Nhận dạng và căn chỉnh

OCR độ chính xác cao với các mô hình ngôn ngữ để sửa lỗi sai chính tả.

Hợp nhất dòng, căn chỉnh cột và liên kết ô bảng.

Đầu ra: các nút văn bản + cấu trúc bảng được neo vào tọa độ.

Chuẩn hóa thành lược đồ

Chọn một lược đồ cho mỗi loại tài liệu: hóa đơn, biên lai, vận đơn, ghi chú y tế.

Trích xuất các trường bằng regex + bộ phân loại + dự phòng LLM cho các trường hợp ngoại lệ.

Đầu ra: JSON nhỏ gọn với các khóa ngắn, ổn định (ví dụ: inv_id, issue_dt, due_dt, vendor_id, items[]).

Khử trùng lặp và chính tắc hóa

Ánh xạ tên/địa chỉ nhà cung cấp tới ID chính tắc.

Chuẩn hóa tiền tệ, ngày tháng, đơn vị; loại bỏ các phần mẫu.

Nén và tuần tự hóa

Tùy chọn: tóm tắt nhận biết nội dung cho các ghi chú dài.

Thực thi tuần tự hóa rẻ tiền (JSON chặt chẽ, khóa được sắp xếp).

Giao diện LLM

Cung cấp một cửa sổ ngữ cảnh tối thiểu, phù hợp với câu hỏi.

Chỉ truy xuất các trường liên quan đến lời nhắc thông qua lược đồ hàm/công cụ.

Đây là thời điểm tiết kiệm token, bởi vì bạn không còn phải trả tiền để giải thích lại toàn bộ tài liệu cho mô hình — bạn chỉ cung cấp những gì nó cần, ở dạng rẻ nhất có thể.

—

Ví dụ: biến hóa đơn 5 trang thành số lượng token ít hơn 20 lần

Đường cơ sở (ngây thơ)

5 trang văn bản OCR → ~9.000–12.000 token bao gồm tiêu đề, chân trang, bảng, ghi chú pháp lý.

Lời nhắc hỏi: “Tổng số tiền đến hạn là bao nhiêu, thuế theo khu vực pháp lý và bất kỳ khoản phí trả chậm nào?”

Mô hình lãng phí ngữ cảnh trên các đoạn văn không liên quan.

Với tính năng nén DeepSeek‑OCR

Lọc vùng loại bỏ hình mờ tiêu đề/chân trang, các điều khoản mẫu và chi tiết nhà cung cấp trùng lặp.

Trích xuất bảng xuất ra items[] dưới dạng 50 hàng × 6 cột → 300 ô nhỏ gọn, không phải hơn 1.500 từ.

Chính tắc hóa thu nhỏ các chuỗi thực thể; các địa chỉ đã khử trùng lặp được tham chiếu một lần.

Ngữ cảnh cuối cùng: ~450–600 token.

Kết quả

Số lượng token ít hơn 15–20 lần.

Độ trễ nhanh hơn, chi phí thấp hơn và độ chính xác cao hơn đối với các câu hỏi có mục tiêu vì nhiễu đã bị loại bỏ.

—

Nơi DeepSeek‑OCR tỏa sáng (và nơi nó không tỏa sáng)

Điểm mạnh

Các tài liệu kinh doanh có cấu trúc: hóa đơn, biên lai, PO, nhãn vận chuyển, bảng sao kê ngân hàng.

Tính nhất quán nhiều trang: các phần lặp lại nén tốt.

Nội dung nặng về bảng: tiết kiệm token lớn nhất với mảng so với văn xuôi.

Quy trình RAG: các đoạn được chuẩn hóa trước giúp tăng độ chính xác khi truy xuất.

Hạn chế

Văn bản viết tay, được cách điệu cao: chất lượng nhận dạng thúc đẩy mọi thứ.

Các ý kiến pháp lý/tường thuật y tế: việc tóm tắt nhiều có nguy cơ mất sắc thái; hãy xem xét các chế độ có độ trung thực cao hơn.

Các bảng phức tạp có khoảng hàng/khoảng cột: cần ánh xạ ô và QA cẩn thận.

Các biện pháp giảm thiểu

Sử dụng ngưỡng độ tin cậy và dự phòng cho các vùng cắt ảnh khi không chắc chắn.

Giữ các chế độ kép: chế độ xem ngữ nghĩa nhỏ gọn và chế độ xem có độ trung thực cao theo yêu cầu.

Ghi nhật ký căn chỉnh giữa các trường lược đồ và tọa độ trực quan để có thể theo dõi.

—

Cách tích hợp DeepSeek‑OCR với ngăn xếp LLM của bạn

Hướng dẫn theo câu hỏi bạn có thể làm theo ngay hôm nay.

Người dùng đang hỏi gì?

Xác định các lớp tác vụ trước thời hạn: trích xuất tổng số, QA mục hàng, khớp thực thể.

Ánh xạ mỗi tác vụ tới ngữ cảnh tối thiểu: một vài trường trả lời câu hỏi.

Chúng ta lưu trữ đầu ra OCR như thế nào?

Lưu trữ cả hai: (1) JSON ngữ nghĩa nhỏ gọn và (2) văn bản thô hoặc vùng cắt trang tùy chọn để xác minh.

Sử dụng các khóa ngắn và thứ tự ổn định để giảm thiểu token trên mọi cuộc gọi.

Làm cách nào để chúng ta chỉ truy xuất những gì cần thiết?

Gói cuộc gọi LLM của bạn trong lược đồ công cụ/hàm để mô hình chỉ nhận các trường liên quan.

Đối số công cụ ví dụ: tổng số, thuế_theo_vùng[], số_dư_còn_lại, ngày_đến_hạn, items[sku, qty, unit_price].

Làm thế nào để chúng ta giữ chất lượng cao?

Thêm điểm tin cậy cho mỗi trường; đặt ngưỡng cho đánh giá của con người.

Giữ các liên kết trở lại tọa độ trang để có thể kiểm tra.

Chạy các thử nghiệm khác biệt: so sánh tổng số từ hai trình trích xuất độc lập.

—

Đo lường 20 lần: những gì cần theo dõi

Số lượng token trên mỗi trang (trước so với sau): KPI cốt lõi của bạn.

Độ trễ trên mỗi truy vấn: giảm phải tuyến tính với token, thường tốt hơn do phân tích cú pháp ít hơn.

Độ chính xác trên các câu hỏi mục tiêu: đừng đánh đổi tính đúng đắn.

Tỷ lệ con người trong vòng lặp: đặt mục tiêu giảm theo thời gian khi độ tin cậy được cải thiện.

Mẹo: Chạy điểm chuẩn 100 tài liệu trên ba mẫu hàng đầu của bạn. Thiết lập ngân sách cho mỗi quy trình làm việc (ví dụ: <$0,01 cho mỗi truy vấn tài liệu) và lặp lại cho đến khi bạn đạt được.

—

Mô hình hóa chi phí: tính toán sơ bộ để ký duyệt tài chính

Đường cơ sở: 10.000 token trên mỗi tài liệu với giá $X/1M token → $0,01 cho mỗi 1.000 token → $0,10 cho mỗi tài liệu.

Sau khi nén: 500 token → $0,005 cho mỗi tài liệu.

Với 100 nghìn tài liệu/tháng: từ $10.000 xuống $500 — giảm 95%, trước khi tiết kiệm độ trễ và giảm số lần thử lại.

Các số liệu sẽ khác nhau tùy theo nhà cung cấp, nhưng hướng là giữ nguyên: nén trước, hỏi sau.

—

Những cạm bẫy phổ biến (và các cách khắc phục nhanh chóng)

Tóm tắt quá mức: mất các điều khoản quy định. Khắc phục: đưa vào danh sách trắng các cụm từ và phần phải giữ.

Trôi lược đồ: các khóa thay đổi theo thời gian. Khắc phục: gắn phiên bản cho lược đồ của bạn; từ chối các trường không xác định.

Lệch bảng: lỗi ô lệch một. Khắc phục: kiểm tra chéo trực quan và trình xác thực tính lại tổng số.

Lời nhắc cồng kềnh: lời nhắc hệ thống dài dòng bù đắp cho khoản tiết kiệm của bạn. Khắc phục: chủ nghĩa tối giản mẫu và lược đồ công cụ.

—

Các tình huống thực tế bạn có thể triển khai trong tuần này

Hoạt động tài chính: tự động xác thực tổng số hóa đơn và thuế với số lượng token ít hơn 20 lần; gắn cờ các bất thường để xem xét.

Hậu cần: trích xuất ID container, cảng và ngày tháng từ vận đơn; đối chiếu với ERP.

Quản trị chăm sóc sức khỏe: nén EOB thành các trường được tiêu chuẩn hóa để xét duyệt yêu cầu bồi thường.

Bán lẻ: trích xuất các mục hàng từ biên lai cho quy trình khách hàng thân thiết và trả hàng.

—

Đáng chú ý: sử dụng Sider.AI để vận hành quy trình

Nếu bạn đang kết hợp các cuộc gọi OCR, chuẩn hóa và LLM, thì tốc độ điều phối và lặp lại rất quan trọng. Nhân tiện, Sider.AI có thể giúp các nhóm biến điều này thành một quy trình làm việc có thể lặp lại: bạn có thể so sánh mức sử dụng token trên các cài đặt OCR khác nhau, chạy thử nghiệm A/B trên các định dạng tuần tự hóa và đánh giá chi phí mô hình mà không cần viết lại mã kết dính. Phần thưởng là hội tụ nhanh hơn vào mục tiêu giảm số lượng token 20 lần.

—

Những điểm chính

Việc giảm số lượng token 20 lần của DeepSeek‑OCR đến từ việc xếp chồng lọc vùng, chuẩn hóa ưu tiên cấu trúc, khử trùng lặp, tóm tắt thông minh và tuần tự hóa tối ưu token.

Tiết kiệm lớn nhất trên các tài liệu kinh doanh nhiều bảng, nhiều trang.

Giữ chế độ xem kép: một lớp ngữ nghĩa nhỏ gọn cho các cuộc gọi LLM giá rẻ và một dự phòng có độ trung thực cao cho kiểm tra.

Đo lường không ngừng nghỉ: số lượng token trên mỗi trang, độ chính xác và độ trễ — và lặp lại lược đồ của bạn.

Điều phối để mở rộng quy mô: lời nhắc được căn chỉnh theo truy xuất và lược đồ công cụ giúp khoản tiết kiệm được giữ nguyên.

—

Các bước tiếp theo: một kế hoạch triển khai tối thiểu

Xác định ba loại tài liệu hàng đầu của bạn và xác định các lược đồ nhỏ gọn.

Thiết lập DeepSeek‑OCR với phân đoạn vùng và trích xuất bảng.

Thêm chính tắc hóa và khử trùng lặp; ghi nhật ký độ tin cậy cho mỗi trường.

Tuần tự hóa thành JSON chặt chẽ với các khóa ngắn; thực thi thứ tự ổn định.

Gói lời nhắc LLM của bạn trong các lược đồ hàm/công cụ chỉ sử dụng các trường cần thiết.

Điểm chuẩn mức sử dụng token và độ chính xác; lặp lại cho đến khi bạn đạt 10–20 lần.

Câu hỏi thường gặp

Câu hỏi 1:DeepSeek‑OCR đạt được mức giảm số lượng token 20 lần trong thực tế như thế nào? Bằng cách kết hợp lọc vùng, chuẩn hóa dựa trên lược đồ, khử trùng lặp, tóm tắt nhận biết nội dung và tuần tự hóa nhỏ gọn. Các bước này loại bỏ văn bản không liên quan và dư thừa để LLM chỉ thấy dữ liệu hiệu quả về token, được căn chỉnh theo tác vụ.

Câu hỏi 2:Việc giảm số lượng token bằng DeepSeek‑OCR có làm giảm độ chính xác trên hóa đơn hoặc biên lai không? Không nếu bạn giữ nguyên các trường quan trọng và sử dụng ngưỡng độ tin cậy. Trong nhiều trường hợp, độ chính xác được cải thiện vì nhiễu bị loại bỏ và mô hình tập trung vào các trường có cấu trúc, liên quan.

Câu hỏi 3:Loại tài liệu nào được hưởng lợi nhiều nhất từ tính năng nén token DeepSeek‑OCR? Các tài liệu kinh doanh nhiều bảng, nhiều trang như hóa đơn, đơn đặt hàng, chứng từ vận chuyển và bảng sao kê ngân hàng. Các tiêu đề dư thừa và các thực thể lặp lại đặc biệt nén tốt.

Câu hỏi 4:Làm cách nào để tích hợp DeepSeek‑OCR với LLM của tôi mà không làm thổi phồng lời nhắc? Lưu trữ JSON ngữ nghĩa nhỏ gọn và chỉ truy xuất các trường cần thiết cho mỗi câu hỏi bằng cách sử dụng các lệnh gọi công cụ/hàm. Giữ JSON chặt chẽ với các khóa ngắn và thứ tự ổn định để giảm thiểu token.

Câu hỏi 5:Tôi có thể sử dụng Sider.AI với DeepSeek‑OCR để tối ưu hóa chi phí không? Vâng. Sider.AI có thể điều phối các thử nghiệm trên các cài đặt OCR và định dạng tuần tự hóa, đánh giá mức sử dụng token và độ chính xác, đồng thời giúp bạn đạt được mức giảm nhất quán từ 10–20 lần trong sản xuất.