🧠✨ Текст превращается в изображение — и это не шутка

Китайская команда DeepSeek снова попала в новостные ленты — они выкатили открытую модель, которая умеет сжимать текст в десять раз, превращая его в изображения. Да, буквально: длинный документ рендерится в картинку, а модель читает её не как текст, а как визуальный поток пикселей.

Что это?

Модель под названием DeepSeek-VL не использует классические токены.

Вместо этого текст конвертируется в изображение, которое проходит через мультимодальную архитектуру — что-то вроде CLIP + LLM в одном флаконе. Она «видит» страницу как человек — сразу со структурой, форматированием и контекстом, и возвращает обратно текст с минимальной потерей смысла.

Зачем это нужно?

В чём прикол?

Ограничение контекста — одна из основных проблем любой LLM. Чем больше текста мы в неё загружаем, тем дороже и медленнее обработка. Если можно закодировать документ как изображение и “прочитать” его в 10 раз быстрее — это буквально взлом системы.

Более того, это позволяет делать модели, которые реально видят весь документ целиком — со схемами, таблицами, подписями и логикой, а не только с голыми словами.

Похоже, DeepSeek снова показывает, что LLM можно ускорять не количеством параметров, а переосмыслением самого способа, которым она “читает” мир. И, возможно, именно визуальные токены станут новым языком искусственного интеллекта.

Подписывайтесь на Telegram PromtScout.