DeepseekOCR

你能在在这个图片中获取什么信息？ 在没有任何提示下，宁波中心（目前浙江第一高楼）会是你关注的焦点。 如果你想借着层高确定某个小区的方位呢？ 假如这是一个警匪或者战争题材的影视作品，主角正在寻找狙击手呢？ 又如一个小孩登上露台，想看看天空、白云、小鸟，又会如何？

这符合 Transformer 架构中的核心机制 — Attention 将输入分解为 Q/K/V。Query 是提出的问题，或者目标。这样才能将问题或者目标聚焦到要关注的关键线索 — Key。而 Value 是这些关键线索的对应的内容。 如果你是在钢筋水泥的办公环境中出来，刚登上露台。你的目标可能是蓝天、白云，清风、远山。你下一步的动作可能会是私下探寻空中的鸟群，或是专注某朵白云的身影。

因此，我们需要区别 OCR 和机器视觉，OCR 这是一种特定形式的，且场景单一，一种的机器视觉。远不如机器人叠衣服那么复杂。叠衣服这个技能，需要机器人关注当下环境（衣帽间、阳台？桌子还是床？等等），衣服的类型（T 恤、衬衫、西服等等），还有其他许多。