DeepSeek-OCR: la IA que lee demasiado en todo

DeepSeek-OCR, publicado el 20 de octubre de 2025, explora cómo representar texto de documentos con menos tokens visuales. Su artículo compara tokens de texto y tokens visuales, no palabras ni tamaño de archivos PDF. El experimento comprime la representación; no demuestra que todos los PDF se reduzcan diez veces.

Andrej Karpathy lo calificó como «más interesante que un simple buen OCR», lo que en lenguaje de IA significa: probablemente sea un caos, pero del tipo interesante.

La gran idea: leer con los ojos cerrados

DeepSeek-OCR procesa imágenes de documentos y puede producir texto con información de estructura. No promete conservar cada fuente, margen o detalle. Los ejemplos de implementación incluyen conversión de documentos y OCR de texto.

La arquitectura suena como un crossover de Los Vengadores: un «codificador de visión dual» compuesto por SAM-base y CLIP-large, conectados por un compresor convolucional. No es un modelo, es una banda de rock.

Usar menos tokens de entrada podría hacer más eficientes algunos flujos con documentos. Eso no demuestra que un LLM vaya a recordar o razonar correctamente sobre un informe anual completo.

El inconveniente: el OCR de Schrödinger

Pruebas independientes demuestran que es brillante... y poco fiable. El mismo documento puede producir resultados diferentes cada vez. Las casillas se desplazan, el texto desaparece, aparecen alucinaciones. Es como una IA que es excelente leyendo, a menos que esté de mal humor.

Eso no es ideal para bancos, hospitales o cualquiera a quien le importe que «100,00 $» se convierta a veces en «1000,0 $».

El repositorio original documenta una configuración con CUDA y un ejemplo de rendimiento en una A100. Comprueba los requisitos de implementación y prueba tu equipo; ese ejemplo no demuestra que cualquier GPU útil tenga que costar tanto como un coche.

La compresión es barata, la precisión es cara

Los autores indican alrededor de un 97 % de precisión OCR con una relación de tokens de texto a tokens visuales inferior a 10×, y alrededor de un 60 % de exactitud a 20× en sus experimentos. Son métricas de la tarea, no porcentajes de caracteres conservados ni ahorros garantizados. Mide la calidad de extracción y el coste total con tus documentos antes de pasarle las facturas.

La revolución oculta

Más allá del marketing, hay una idea más profunda: tal vez el texto ya no tenga que ser texto. Tal vez el futuro de la IA sea la visión como memoria, donde la información se almacena visualmente, se comprime con el tiempo y se recupera como un cerebro biológico que olvida... estratégicamente.

Esa es la bomba filosófica que lanzó DeepSeek: tal vez los LLM deberían ver en lugar de leer. Y si eso es cierto, la tokenización, la base de la IA moderna, podría ser la siguiente en desaparecer.

¿Deberías usarla?

Si eres investigador, sí. Si eres un banco, probablemente no. Si te gusta pasar los fines de semana compilando dependencias de PyTorch, sin duda.

DeepSeek-OCR es brillante, inestable y políticamente radiactivo, una metáfora perfecta para la industria de la IA en 2025. Pero, independientemente de si te funciona o no, una cosa está clara: la era del lenguaje visual ha comenzado y va a hacer sudar a nuestros modelos y a nuestras GPU.