El nuevo modelo DeepSeek-OCR es impresionante, pero lo más interesante es la posibilidad de utilizar tokens visuales a un nivel más fundamental: ¿Pueden los modelos realizar razonamientos directamente en el espacio latente visual?

"Aunque centrado en OCR como una prueba de concepto, este paradigma abre nuevas posibilidades para repensar cómo las modalidades de visión y lenguaje pueden combinarse sinérgicamente para mejorar la eficiencia computacional en el procesamiento de texto a gran escala y en sistemas de agentes."

Esto puede tener un gran impacto en el procesamiento de documentos para finanzas, consultoría y campos relacionados. Anteriormente, las tablas y gráficos eran un gran problema para que los modelos los leyeran correctamente. Título: En el campo de los informes de investigación financiera, el modo de análisis profundo de DeepSeek-OCR se puede utilizar para obtener resultados estructurados de gráficos dentro de los documentos. Los gráficos son una forma crucial de representación de datos en finanzas y campos científicos, y la extracción estructurada de gráficos es una capacidad indispensable para los futuros modelos de OCR.