视觉Token压缩

DeepSeek-OCR光学压缩，视觉Token如何实现爆炸式解密？

DeepSeek-OCR还是个单任务中学习和原图图像token信息一一对应的文本token信息,那SAM的局部信息提取,加上从左到右,从上到下固定的token拼接顺序,再配合CLIP的全局语义理解， 说实话，我也不知道这到底是什么反正感觉挺