deepseek

教程上新丨Deepseek-OCR 以极少视觉 token 数在端到端模型中实现 SOTA众所周知，大语言模型在处理千字、万字或是更长文本时，计算量往往急剧增加，甚至直接导致算力的「烧钱」游戏，也因此制约了 LLM 在处理高密度文本信息场景中的效率边界。

从年初DeepSeek的爆火🔥 - 到年底Trae solo 的上线⚙️ :2025 AI 大年,一个普通人的认知指南 ! 🧭2025年初，在还是欢庆的浓郁的新年氛围之中，DeepSeek 猛然爆火，但是他的爆火并非偶然，而是技术积累、产品策略与市场机遇共同作用的结果。核心原因可以概括为：以一个极具竞争力的开源模型，用远低于行业预期的成本，提供了顶尖的性能，并通过出色的产品体验迅速吸引了大量用户。

🚀微调的力量：看3B参数的DeepSeek-OCR如何蜕变为中文识别高手！零成本微调保姆级教程：用Google Colab免费GPU，十分钟打造一个专属领域的你是否遇到过这样的困境：想要识别图片中的文字，但大模型太"重"跑不动，小模型又经常认错字？比如把清晰的"一"识别成"二"，把重要的表格数据搞得面目全非……

DeepSeek-OCR实战(02)：DeepSeek-OCR模型介绍DeepSeek-OCR实战是一个系列文章，包含了从基础运行环境搭建到应用接入全过程。本章会对DeepSeek-OCR模型进行介绍

数据智能老司机

构建一个 DeepSeek 模型——通过键值缓存（Key-Value Cache, KV Cache）解决推理瓶颈要理解 DeepSeek 架构的关键创新，我们需要先看清这些创新要解决的技术痛点。本章对应全书开篇所述“四阶段路线图”的第 1 阶段：KV Cache 基础。它针对现代 LLM 推理中最根本的瓶颈。在进入第 2 阶段并理解 DeepSeek 的核心设计（如多头潜在注意力 MLA）之前，必须先掌握 KV Cache 的来龙去脉——以及它被设计出来要解决的问题。

AI研究-119 DeepSeek-OCR PyTorch FlashAttn 2.7.3 推理与部署模型规模与资源详细分析要使用DeepSeek-OCR，需准备支持GPU的Python环境。根据官方说明，模型已在Python 3.12、PyTorch 2.6.0、Transformers 4.46.3下测试。

OCR 新范式！DeepSeek 以「视觉压缩」替代传统字符识别；Bald Classification数据集助力高精度人像分类公共资源速递1 个公共教程：* DeepSeek-OCR：利用视觉模态压缩长文本上下文的新方法5 个公共数据集：

【学习笔记更新中】Deeplearning.AI 大语言模型后训练：微调与强化学习导论在构建LLM Agent应用的征程中，我们都可能遇到过这样的困境：尽管尝试了精妙的提示词工程（Prompt Engineering）、更换了更强大的模型提供商，甚至将复杂任务进行了拆解，但LLM组件就是不“work”。

周报写了2小时还被挑刺？试试这个AI生成框架周五下午3点，你打开文档准备写周报。半小时过去了，标题栏还是空的。想想这周做了什么...修了几个bug、开了两场会、推进了项目进度...但怎么写成周报呢？

利用DeepSeek采用hugeint转字符串函数完善luadbi-duckdb的decimal处理用如下函数替换原有同名函数，弥补了原函数不能处理非常大的HUGEINT值的缺陷。让DeepSeek利用已有hugeint转换的字符串，结合scale插入小数点，避免除法运算。

【CUDA 编程思想】FwdKvcacheMla 算子详细数据流程讲解形状: [batch_size, seqlen_q, num_heads_q, head_size]具体示例: [2, 2, 4, 64]

AI研究-121 DeepSeek-OCR 研究路线：无限上下文、跨模态抽取、未来创意点、项目创意点DeepSeek-OCR提出的上下文光学压缩为扩展LLM记忆提供了新思路。未来研究可以基于此探索“无限上下文”模型：模拟人类记忆，将旧对话压缩成模糊图像存储，新的信息用清晰图像保留，模型动态决定何时解压细读。这涉及构建分层记忆模块、研究压缩级别与任务性能的关系，可能催生出类人记忆的对话系统架构。

嗷嗷哦润橘_

集群网络技术1：RDMA和相关协议一、核心概念：为什么需要RDMA？传统网络通信的问题（TCP/IP栈的瓶颈）在传统的网络通信（如标准的TCP/IP Socket）中，数据从应用层到网卡需要经过复杂的路径：

AI研究-120 DeepSeek-OCR 从 0 到 1：上手路线、实战要点如果读者有一定深度学习或OCR领域背景，想学习并掌握DeepSeek-OCR，以下是建议的路径：Medium: DeepSeek-OCR is here

Spring Boot 整合 Spring AI：接入 DeepSeek 与 Ollama 调用大模型本文将介绍如何使用 Spring Boot 整合 Spring AI 框架，实现对 DeepSeek 在线模型和 Ollama 本地模型的调用。通过本文，你将学习：

视觉&物联智能

【杂谈】-制造业变革：机器人与自动化引领新时代先从设计环节说起。如今，工程师借助先进工具，短短几分钟内便能生成数千种零件配置方案，并精准权衡成本、强度与材料选用等因素。以往需耗费数周才能完成的原型制作，如今依托机器人增材制造系统，仅需一夜即可实现。再结合数字孪生技术，无需实际切割材料，就能模拟压力测试、进行公差检查并验证产品的可制造性，极大地节省了时间与成本。

🚀超越DeepSeek-OCR！OCR领域的革命性突破：Chandra OCR本地部署+真实测评！手写体、繁体字、数学公式、重叠文字全部完美识别，告别漏字漏页🔥🔥🔥本篇笔记所对应的视频：www.bilibili.com/video/BV1kD…这两年开源 OCR 模型真是井喷：DeepSeek-OCR、olmOCR、dots.ocr……名字越来越多，教程也越来越花。但很多朋友踩过的坑大同小异：一到长文档、多页 PDF、复杂排版（页眉页脚、多栏、表格、公式、图表），效果就开始“打折”——漏字、漏段，页眉页脚识别丢失，段落顺序错乱，表格对不齐，最后导出的文本还得人工返工。效率上不去，可靠性也难以让人放心。

Node.js环境变量配置Node.js环境变量的作用与常见应用场景 process.env对象的基本原理与访问方式.env文件的标准格式与书写规范 dotenv库的安装与基础使用方法 VS Code调试时环境变量的注入配置

利用DeepSeek辅助改写luadbi-duckdb支持日期和时间戳数据类型1.克隆github上的luadbi存储库2.编译打包luadbi-duckdb rock包不成功，说缺少luadbi scm依赖，再编译打包luadbi-scm rock包并安装

利用DeepSeek修改数据结构提升求解集合程序效率为了精确翻译SQL，DeepSeek采用了复杂的字典作为循环中列表的元素，以达到用列名访问的效果，这降低了效率。让他把b的元素由字典改成列表，用索引0代替cnt,1代替bit,2代替bit2,去掉判断重复逻辑，代new_rows用生成式代替两重for循环，while循环每步结束若new_rows有值，用它覆盖b，而不是扩展，不做别的。