アーカイブ — CN — technode
DeepSeek、より人間に近い機械視覚を目指した新しい視覚エンコーディングアーキテクチャを搭載したOCR 2を発表
中国のAIスタートアップDeepSeekが、新しい意味推論アーキテクチャを活用した高度な光学文字認識モデルであるDeepSeek-OCR 2を発表しました。このモデルは、計算コストを削減し、データ処理効率を向上させており、AIモデルの競争が激化する中、ベンチマークテストで3.73%の性能向上を示しています。
要点
- DeepSeekは、オープンソース機能を備えたDeepSeek-OCR 2をリリースしました。
- 新しいモデルは、柔軟なビジュアルエンコーディングに移行したDeepEncoder V2アーキテクチャを採用しています。
- 意味推論により、画像コンポーネントをコンテキストに基づいて動的に再配置できます。
- DeepSeek-OCR 2は、256から1,120までの視覚トークンを使用して複雑な文書を処理します。
- このリリースは、前バージョンよりも3.73%向上した91.09%のOmniDocBenchv1.5スコアを達成しました。
- このリリースは、中国のAI開発者の間で基幹モデルとマルチモーダルAIにおける競争が激化していることを反映しています。
なぜ重要か
- 2025年のITトレンドに沿ったリリースであり、文書処理と理解のAI能力を向上させる方向性が示されています。
- 大規模な言語モデルの競争によって駆動されるAI技術の進化が強調されています。
- DeepSeekの進歩は、AIの増加するオープンソースイニシアティブに寄与し、協力的なイノベーションを可能にしています。
DeepSeekのOCR 2のリリースは、人間に近い機械ビジョンに向けた重要な一歩を示しており、AI開発のフィールドにおける効率性の向上と競争圧力を示しています。