我们过去的观点里面：文字是精简的，抽象的；图像和视频体积一个比一个大，因为包含了很多的无效信息

然而 Deepseek 的 OCR 小模型，识别图象是直接用图像 token 而不是文本 token，精简 10 倍以上

也就是说：在 AI 眼里，图像和视频可以比文本更精简

这是反常识的，人类需要适应 ​​​