有“华点”的研究，重塑了对信息量的理解。
① 它的核心原理是: 视觉Token与文本Token的信息差。
② DeepSeek OCR的文章提到的10倍（高精度），就是1个视觉token约承载10个文本tokens的语义特征。
③ 图像进入DeepEncoder后，先由SAM-base提取局部细节（如字符形状），生成大量初始视觉token（例如1024×1024图产生4096个）→接着通过一个卷积压缩模块，将token数量骤减至256个→再送入CLIP-large进行全局理解→用提示词激活任务路径→MoE负责解码，并按特定格式输出。
④ 微小/小/基础/大/高达 五个保真模式，通常就是对应图片文本密度。 在极致的token压缩后，一个经过充分训练的模型依然可以提取有意义的信息。脑补能力强是模型的天性吧。
可以输出纯文本、带坐标的布局、HTML表格或SMILES化学…
④ 文章结尾出现了一个“华点” 这部分是DeepSeek的原创思路。
DeepSeek 提到把 上下文渲染成图片！
按照 时间序列排序，越近的上下文用越高精度存储比如“高达模式”，此时视觉tokens占位大，但保真度也高，越远的上下文用越低的精度，比如“微小模式”，记忆像视觉一样逐渐模糊。而不是像文本tokens忘了就忘了。
所以你应该叫它DeepSeek-VisionMemory-OCR
——————————
上面的压缩部分，并非DS首创思路，类似的研究—— TikTok: An Image is Worth 32 Tokens for Reconstruction and Generation 一张图像仅需32个tokens即可实现重建与生成
DeepSeek首创的是用于OCR，进行文本到图片，图片到文本的转化，重塑了对信息量的理解，
形成了 文本 → 图 → vision tokens → 文本的 循环链路，出现了新范式的可能性。