डीपसीक ओपन सोर्स OCR-2: "दृश्य कारण प्रवाह" के साथ लंबे दस्तावेज़ों को फिर से समझना
डीपसीक ने GitHub पर ओपन सोर्स OCR मॉडल DeepSeek-OCR-2 की एक नई पीढ़ी जारी की है। यह Apache-2.0 प्रोटोकॉल के तहत खुला स्रोत है। तकनीकी समाधान "विज़ुअल कॉज़ल फ्लो" को अपनाता है और लंबे दस्तावेज़ ओसीआर और जटिल लेआउट पहचान में पहली पीढ़ी से बेहतर है। पहली पीढ़ी की परियोजना को लगभग 23,700 सितारे प्राप्त हुए हैं।
बड़े मॉडल हथियारों की दौड़ की हलचल से दूर,
"ऑप्टिकल संपीड़न" से "कारण प्रवाह" तक
पहली पीढ़ी के डीपसीक-ओसीआर का तकनीकी मुख्य आकर्षण "कॉन्टेक्स्ट्स ऑप्टिकल कंप्रेशन" है, जिसे ओपन सोर्स होने के बाद से लगभग 23,700 स्टार और 2,187 फोर्क्स प्राप्त हुए हैं। यह वर्तमान में सबसे लोकप्रिय ओसीआर ओपन सोर्स परियोजनाओं में से एक है। दूसरी पीढ़ी इसके आधार पर विकसित हुई: अधिक कुशल कारण मॉडलिंग और दृश्य जानकारी के संपीड़न पर जोर देना, और लंबे दस्तावेज़ ओसीआर और जटिल लेआउट पहचान जैसे परिदृश्यों में बेहतर प्रदर्शन करना। 2026 के मध्य तक, गोदाम में लगभग 3,200 सितारे जमा हो गए हैं और इसकी पुनरावृत्ति जारी है।
ओपन सोर्स कोई टुकड़ों में की गई कार्रवाई नहीं है, बल्कि एक टेक्नोलॉजी स्टैक है
पिछले वर्ष में डीपसीक के ओपन सोर्स कार्यों को देखते हुए, ओसीआर पहेली का सिर्फ एक टुकड़ा है: अनुमान बुनियादी ढांचे के संदर्भ में, डीपईपी (विशेषज्ञ समानांतर संचार), डीपजीईएमएम (जीपीयू बीएलएएस कर्नेल), फ्लैशएमएलए (मल्टी-हेड संभावित ध्यान कर्नेल), और 3एफएस (एआई प्रशिक्षण / अनुमान वितरित फ़ाइल सिस्टम) को क्रमिक रूप से ओपन सोर्स किया गया है, जो पूरे "एल्गोरिदम-कर्नेल-संचार-भंडारण" लिंक को कवर करता है। "न केवल वजन देना, बल्कि प्रोजेक्ट भी देना" की यह रणनीति ओपन सोर्स समुदाय में डीपसीक की अनूठी ट्रस्ट संपत्ति का निर्माण कर रही है।
उद्योग के दृष्टिकोण से, OCR एक "पुराना ट्रैक" प्रतीत होता है, लेकिन वास्तव में यह RAG, दस्तावेज़ इंटेलिजेंस और मल्टी-मोडल कार्यान्वयन के लिए एक प्रवेश स्तर की क्षमता है। डीपसीक एक ढीले वाणिज्यिक लाइसेंस के बजाय अपाचे-2.0 प्रोटोकॉल के तहत खुला स्रोत है, जो न केवल पारिस्थितिक प्रभाव को बनाए रखता है बल्कि वाणिज्यिक बंद स्रोत के लिए भी जगह छोड़ता है। दस्तावेज़ पार्सिंग, ज्ञान आधार और बिल पहचान करने वाली घरेलू टीमों के लिए, डीपसीक-ओसीआर-2 एक चीनी-परिदृश्य-अनुकूल आधार प्रदान करता है जिसका सीधे व्यावसायीकरण किया जा सकता है - यह वास्तव में कई विदेशी ओसीआर मॉडल की कमी है जो लंबे चीनी दस्तावेजों में विफल होते हैं।
भविष्य में ट्रैकिंग के लायक कई दिशाएँ:
- चीनी लंबे दस्तावेज़ बेंचमार्क पर डीपसीक-ओसीआर-2 का प्रदर्शन: अधिकारी ने पूर्ण बेंचमार्क का खुलासा नहीं किया है, और सामुदायिक परीक्षण इसकी गुणवत्ता को परखने की कुंजी है।
- मल्टी-मोडल मॉडल (क्यूवेन2.5-वीएल, आदि) के साथ सहयोग: ओसीआर और दृश्य भाषा मॉडल के बीच की सीमा धुंधली हो रही है। क्या डीपसीक इस प्रवृत्ति का लाभ उठाएगा और वीएलएम का समर्थन शुरू करेगा।
- क्या "दृश्य कारण प्रवाह" वीडियो समझ तक फैल सकता है: समय आयाम में कारण मॉडलिंग विचारों के समान सेट का विस्तार देखने लायक है।
- ओपन सोर्स समझौता और व्यावसायीकरण संतुलन: क्या अपाचे-2.0 भविष्य में अधिक कठोर शर्तें पेश करेगा, उद्यम अपनाने के निर्णयों को प्रभावित करेगा।
समीक्षाएं