{"id":19886,"date":"2025-10-22T15:47:07","date_gmt":"2025-10-22T07:47:07","guid":{"rendered":"https:\/\/iwea.deeptracker.ai\/?p=19886"},"modified":"2025-10-22T15:47:59","modified_gmt":"2025-10-22T07:47:59","slug":"deepseek-ocr-vision-language-model","status":"publish","type":"post","link":"https:\/\/iwea.deeptracker.ai\/it\/blog\/deepseek-ocr-vision-language-model\/","title":{"rendered":"DeepSeek-AI lancia il rivoluzionario modello di visione-linguaggio OCR 3B"},"content":{"rendered":"

In un importante passo avanti per l'intelligenza artificiale dei documenti e il riconoscimento ottico dei caratteri (OCR), DeepSeek-AI ha annunciato il rilascio di DeepSeek-OCR<\/strong>, un modello di linguaggio visivo (VLM) da 3 miliardi di parametri, progettato specificamente per l'OCR ad alta precisione e la conversione di documenti strutturati su larga scala. Questa versione affronta uno dei principali colli di bottiglia degli attuali flussi di lavoro basati sull'intelligenza artificiale: come elaborare documenti lunghi e ricchi di testo (come report, libri o documenti legali) in modo efficiente, ma con elevata fedelt\u00e0.<\/p>\n\n\n\n

Che cos'\u00e8 DeepSeek-OCR e perch\u00e9 \u00e8 importante?<\/h2>\n\n\n\n

DeepSeek-OCR non \u00e8 solo un altro strumento OCR: \u00e8 un modello visione-linguaggio (VLM)<\/strong> progettato per risolvere i maggiori problemi dell'elaborazione tradizionale dei documenti: utilizzo eccessivo di token, inferenza lenta e gestione scadente di layout o contenuti complessi (come tabelle, formule o strutture chimiche).<\/p>\n\n\n\n

Fondamentalmente, utilizza la "compressione ottica del contesto": converte documenti ricchi di testo in token visivi compatti. A differenza dei token testuali (che sono discreti e richiedono molta memoria), i token visivi contengono pi\u00f9 informazioni per unit\u00e0, il che significa che si ottiene di pi\u00f9 con meno risorse.<\/p>\n\n\n\n

Per le aziende, i ricercatori o gli sviluppatori, questo si traduce in:<\/p>\n\n\n\n

Elaborazione pi\u00f9 rapida di grandi lotti di documenti (ad esempio, documenti accademici, resoconti finanziari).<\/p>\n\n\n\n

Costi inferiori per cloud o GPU (meno token = meno potenza di calcolo).<\/p>\n\n\n\n

Riconoscimento accurato di layout complessi (testo multicolonna, testo misto-immagini) che interrompono gli strumenti OCR di base.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Panoramica dell'aggiornamento Deepseek-OCR<\/h2>\n\n\n\n

Codificatore profondo<\/strong>: Un codificatore visivo ad alta risoluzione che utilizza una combinazione di attenzione a finestra (basata su SAM) per la percezione locale e attenzione globale densa (stile CLIP) per la conoscenza visiva aggregata. Comprime l'immagine in pochi token visivi tramite un compressore convoluzionale a 2 strati (downsampling 16x).<\/p>\n\n\n\n

Decoder (DeepSeek3B-MoE-A570M)<\/strong>: Un decodificatore linguistico Mixture-of-Experts (MoE) da 3 miliardi di parametri, con circa 570 milioni di parametri attivi per token. Questo decodificatore efficiente acquisisce i token visivi e restituisce il testo ricostruito e i dati strutturati.<\/p>\n\n\n\n

Modalit\u00e0 dinamiche<\/strong>: Per documenti complessi (layout denso, grafici, tabelle), le modalit\u00e0 "Gundam" e "Gundam-Master" combinano pi\u00f9 viste locali affiancate pi\u00f9 una vista globale per allocare in modo ottimale i token in base alla complessit\u00e0 del documento.<\/p>\n\n\n\n

Quali campi saranno interessati dall'aggiornamento di Deep seek-OCR?<\/h2>\n\n\n\n

Questo modello apre le porte ad applicazioni pratiche in molti ambiti:<\/p>\n\n\n\n

Elaborazione di documenti aziendali su larga scala<\/strong>: Report, contratti, manuali tecnici, libri, articoli scientifici: l'elevata capacit\u00e0 di elaborazione e la compressione lo rendono conveniente.<\/p>\n\n\n\n

Conversione di documenti strutturati<\/strong>: Oltre all'OCR di testo semplice, il modello pu\u00f2 analizzare grafici, formule chimiche, figure geometriche, tabelle e convertirli in formati strutturati (ad esempio, tabelle HTML, SMILES) per l'uso a valle.<\/p>\n\n\n\n

Flussi di lavoro a lungo contesto per LLM\/VLM<\/strong>: Comprimendo migliaia di token di testo in poche centinaia di token visivi, il modello consente di inserire documenti di formato lungo in modelli linguistici di grandi dimensioni in modo pi\u00f9 economico, riducendo il budget dei token e il sovraccarico di memoria.<\/p>\n\n\n\n

Supporto multilingue e di formati diversi<\/strong>: Sebbene la copertura linguistica esatta non sia stata completamente divulgata, l'architettura di base supporta formati di documenti avanzati ed \u00e8 stata addestrata su dati multimodali.<\/p>\n\n\n\n

Cosa significa l'aggiornamento DeepSeek-OCR?<\/h2>\n\n\n\n

Nella sezione precedente abbiamo fornito una panoramica dell'ultimo aggiornamento di DeepSeek-OCR. In parole povere, questa versione apporta tre importanti miglioramenti: efficienza ottimizzata dei token, migliore comprensione della struttura dei documenti e un'esperienza pi\u00f9 snella e intuitiva sia per gli sviluppatori che per gli utenti abituali.<\/p>\n\n\n\n

Questo aggiornamento non \u00e8 vantaggioso solo per gli ingegneri, ma anche per coloro che si affidano a DeepSeek come assistente per la produttivit\u00e0 quotidiana, garantendo notevoli miglioramenti in termini di precisione e velocit\u00e0 in diverse dimensioni:<\/p>\n\n\n\n

Riduzione degli errori nel riconoscimento di documenti lunghi<\/strong><\/p>\n\n\n\n

Quando si elaborano lunghi report o articoli di ricerca, i modelli OCR o di linguaggio visivo tradizionali tendono a consumare grandi quantit\u00e0 di calcoli e token, spesso "dimenticando" i contenuti precedenti durante il processo.<\/p>\n\n\n\n

DeepSeek-OCR introduce un meccanismo di compressione visiva che condensa i documenti lunghi in un numero inferiore di token prima di eseguire la comprensione semantica e l'estrazione dei dati. Questo approccio consente di risparmiare risorse di calcolo, consente una gestione del contesto pi\u00f9 stabile e riduce significativamente gli errori di riconoscimento nei documenti lunghi.<\/p>\n\n\n\n

Risparmio di tempo nell'organizzazione di documenti complessi<\/strong><\/p>\n\n\n\n

In settori come diritto, finanza, ricerca e marketing, i documenti contengono spesso layout complessi: tabelle, grafici, formule e strutture multicolonna. La versione aggiornata di DeepSeek-OCR riconosce e ricostruisce in modo intelligente questi elementi misti, non solo testo semplice, preservando gran parte della formattazione originale.<\/p>\n\n\n\n

Ci\u00f2 rende la digitalizzazione e la riorganizzazione strutturale dei documenti pi\u00f9 rapide e precise, ideali per l'archiviazione, la compilazione di report o la lettura di documenti basata sull'intelligenza artificiale.<\/p>\n\n\n\n

Abbattere le barriere tra lingue e domini<\/strong><\/p>\n\n\n\n

Il nuovo set di dati di addestramento del modello comprende oltre 100 lingue e oltre 30 milioni di pagine di documenti, coprendo sia le lingue principali che quelle con risorse limitate. \u00c8 stato inoltre addestrato per riconoscere contenuti specialistici come diagrammi geometrici e formule chimiche.<\/p>\n\n\n\n

Di conseguenza, le aziende globali possono ora estrarre testo da contratti multilingue o da bilanci finanziari giapponesi senza dover utilizzare strumenti separati, mentre insegnanti e ricercatori possono digitalizzare materiali matematici o scientifici, identificando con precisione le strutture visive senza doverli ridisegnare manualmente.<\/p>\n\n\n\n

Una nuova ipotesi: usare la risoluzione per simulare un \u201cmeccanismo di dimenticanza\u201d<\/h2>\n\n\n\n

Una delle idee pi\u00f9 interessanti del team DeepSeek \u00e8 l'uso della risoluzione come metodo per simulare la memoria selettiva.<\/p>\n\n\n\n

In parole povere, il sistema \u201cricorda\u201d i documenti con diversi livelli di chiarezza:<\/p>\n\n\n\n