{"notes":[{"id":"model-evaluation/linguistic-crutch","category":"model-evaluation","legacyPath":"","legacySlug":"","legacyPaths":[],"title":"Linguistic Crutch","subtitle":"Broder a un prix","author":"Z. Yuan","paperDate":"2026-01-07","publishedOn":"2026-02-21","paperTitle":"Visual Merit or Linguistic Crutch? A Close Look at DeepSeek-OCR","paperUrl":"https://arxiv.org/abs/2601.03714","bibliography":{"title":"Visual Merit or Linguistic Crutch? A Close Look at DeepSeek-OCR","authors":["Yunhao Liang","Ruixuan Ying","Bo Li","Hong Li","Kai Yan","Qingwen Li","Min Yang","Okamoto Satoshi","Zhe Cui","Shiwen Ni"],"url":"https://arxiv.org/abs/2601.03714","pdfUrl":"https://arxiv.org/pdf/2601.03714v2","codeUrl":null,"preprint":{"id":"2601.03714","submittedOn":"2026-01-07","url":"https://arxiv.org/abs/2601.03714"},"publication":null,"citation":"@misc{modelevaluationlinguisticcrutch2026,\n  title = {{Visual Merit or Linguistic Crutch? A Close Look at DeepSeek-OCR}},\n  author = {Yunhao Liang and Ruixuan Ying and Bo Li and Hong Li and Kai Yan and Qingwen Li and Min Yang and Okamoto Satoshi and Zhe Cui and Shiwen Ni},\n  year = {2026},\n  eprint = {2601.03714},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2601.03714}\n}\n","citationPath":"/content/papers/citations/model-evaluation/linguistic-crutch.af1f73a098b5.bib"},"thumbnail":{"src":"/content/papers/assets/3dfc834dee089d76acab6a1ce767b06c592ef84c6b48c2a5f79a7723f9cc3f09.png","width":644,"height":300},"locale":"fr","path":"/content/papers/fr/model-evaluation/linguistic-crutch.3edd79fc08e7.md","headings":[{"id":"définir-le-problème","text":"Définir le problème","depth":2},{"id":"résoudre-le-problème","text":"Résoudre le problème","depth":2},{"id":"garder-des-conditions-dimage-identiques","text":"Garder des conditions d'image identiques","depth":3},{"id":"trois-façons-de-casser-le-texte","text":"Trois façons de casser le texte","depth":3},{"id":"deux-autres-tests","text":"Deux autres tests","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"quand-la-phrase-perd-son-sens","text":"Quand la phrase perd son sens","depth":3},{"id":"quand-les-mots-ne-ressemblent-plus-à-des-mots","text":"Quand les mots ne ressemblent plus à des mots","depth":3},{"id":"et-les-autres-modèles","text":"Et les autres modèles ?","depth":3},{"id":"questions-réponses-et-long-contexte","text":"Questions-réponses et long contexte","depth":3},{"id":"à-garder-en-tête-en-lisant-cet-article","text":"À garder en tête en lisant cet article","depth":3},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"deepseek/deepseek-ocr","relation":"citing","topic":""}]},{"id":"deepseek/deepseek-ocr","category":"deepseek","legacyPath":"","legacySlug":"","legacyPaths":[],"title":"DeepSeek-OCR","subtitle":"Une image vaut mille mots","author":"Z. Yuan","paperDate":"2025-10-21","publishedOn":"2026-03-09","world":"external/deepseek-ocr","paperTitle":"DeepSeek-OCR: Contexts Optical Compression","paperUrl":"https://arxiv.org/abs/2510.18234","bibliography":{"title":"DeepSeek-OCR: Contexts Optical Compression","authors":["Haoran Wei","Yaofeng Sun","Yukun Li"],"url":"https://arxiv.org/abs/2510.18234","pdfUrl":"https://arxiv.org/pdf/2510.18234v1","codeUrl":"https://github.com/deepseek-ai/DeepSeek-OCR","preprint":{"id":"2510.18234","submittedOn":"2025-10-21","url":"https://arxiv.org/abs/2510.18234"},"publication":null,"citation":"@misc{deepseekdeepseekocr2025,\n  title = {{DeepSeek-OCR: Contexts Optical Compression}},\n  author = {Haoran Wei and Yaofeng Sun and Yukun Li},\n  year = {2025},\n  eprint = {2510.18234},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2510.18234}\n}\n","citationPath":"/content/papers/citations/deepseek/deepseek-ocr.66e8e5a7db8d.bib"},"thumbnail":{"src":"/content/papers/assets/6f53ecfe63f39804454a69ef4468c93e8018fa1afbe08d1bb52b7e8d52d194c3.png","width":1288,"height":350},"locale":"fr","path":"/content/papers/fr/deepseek/deepseek-ocr.dfea002cdca7.md","headings":[{"id":"définir-le-problème","text":"Définir le problème","depth":2},{"id":"résoudre-le-problème","text":"Résoudre le problème","depth":2},{"id":"architecture-densemble","text":"Architecture d'ensemble","depth":3},{"id":"suivons-une-page-de-10241024","text":"Suivons une page de 1024×1024","depth":3},{"id":"le-décodeur-restituer-le-texte-à-partir-dune-représentation-compressée","text":"Le décodeur : restituer le texte à partir d'une représentation compressée","depth":3},{"id":"données-et-entraînement","text":"Données et entraînement","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"expérience-de-taux-de-compression-100-pages-de-fox","text":"Expérience de taux de compression : 100 pages de Fox","depth":3},{"id":"documents-réels-omnidocbench","text":"Documents réels : OmniDocBench","depth":3},{"id":"compression-optique-et-oubli","text":"Compression optique et oubli","depth":3},{"id":"le-débat-après-la-publication","text":"Le débat après la publication","depth":3},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"model-evaluation/linguistic-crutch","relation":"referenced","topic":""}]}],"text":"En octobre 2025, DeepSeek-OCR affirmait qu'une page de document en anglais pouvait être relue avec une précision d'environ 97 % tant que le nombre de ses tokens de texte ne dépassait pas dix fois celui des tokens visuels ; à une compression de 20×, il en restait environ 60 %. Beaucoup y ont vu l'espoir de compresser le long contexte des LLM au moyen d'images.\n\nLes auteurs de cet article posent une question plus fondamentale : quelle part de ces scores vient réellement de l'image ?\n\nLe titre se traduit par « Mérite visuel ou béquille linguistique ? ». Le décodeur de DeepSeek-OCR est un modèle de langage : il sait déjà comment l'anglais s'écrit d'ordinaire. Quand les tokens visuels manquent de netteté, il y a de fortes chances qu'il comble les lettres manquantes d'après le contexte ; pour parler familièrement, il **brode**. Quand il brode juste, le score monte.\n\nL'article est signé par des chercheurs de l'Institut d'informatique appliquée de Chengdu (Académie chinoise des sciences), de l'université du Tōhoku au Japon et d'autres institutions. Il a été déposé sur arXiv le 7 janvier 2026 ; cette note suit la v2, mise à jour le lendemain. C'est pour l'instant une prépublication.\n\n\n> [!TIP]\n> \n> **Qu'est-ce qu'un a priori linguistique ?**\n> \n> Un a priori (*prior*) est une attente que l'on a avant d'avoir vu les indices. Un modèle de langage a lu d'immenses quantités de texte : il sait que « has already been » est souvent suivi d'un participe passé, et que « Speaker » est plus courant que « Squeaker ».\n> \n> Pour lire, le modèle combine deux types d'indices : les traits visibles sur l'image, et cette attente de « ce qui apparaît d'habitude ». Cet article cherche à mesurer les deux séparément.\n\n\n## Définir le problème\n\nPour mesurer la contribution de l'a priori linguistique, le plus direct est de supprimer les régularités de la langue en gardant toutes les autres conditions de l'image identiques, puis de voir de combien le score baisse.\n\nLes auteurs formulent cinq questions de recherche :\n\n1. Quel est l'effet sur DeepSeek-OCR d'une destruction du sens au niveau de la phrase ?\n2. Et d'une destruction au niveau du mot ? Cela comprend l'échange de lettres, le mélange complet et les chaînes entièrement aléatoires.\n3. Cette dépendance est-elle propre à DeepSeek-OCR, ou se retrouve-t-elle dans d'autres OCR et VLM ?\n4. Quelle part du sens DeepSeek-OCR conserve-t-il en questions-réponses et en questions-réponses visuelles ?\n5. À partir de quelle longueur de contexte la compression optique cesse-t-elle de fonctionner ?\n\n## Résoudre le problème\n\n### Garder des conditions d'image identiques\n\nLe point de départ est un ensemble de 112 pages de documents anglais tirées de Fox, dont les vérités terrain comptent entre 600 et 2 500 tokens.\n\nLes auteurs ne comparent pas directement les pages numérisées d'origine aux pages perturbées, car leurs polices et leurs mises en page diffèrent. Ils commencent par rendre à nouveau les vérités terrain sous forme d'images propres, appelées **text2png**, qui servent de référence ; toutes les versions perturbées passent par la même chaîne de rendu. Ainsi, la seule différence visible sur l'image est l'agencement des lettres.\n\n### Trois façons de casser le texte\n\n**Au niveau de la phrase** : les noms, verbes et locutions clés sont remplacés par des mots qui s'écrivent comme de l'anglais mais n'ont pas de sens. Par exemple :\n\n> has already been published in other issues of the Speaker, it won't all be repeated here.\n\ndevient :\n\n> has already been breadboxed in other whispers of the Squeaker, it won't all be rebound here.\n\nLa forme des lettres et la mise en page sont toujours là ; le sens de la phrase a disparu.\n\n**Au niveau du mot** : 5 % ou 10 % des mots sont choisis au hasard.\n\n- **Swap** : deux lettres du mot sont échangées ; already devient par exemple ayreadl. La structure du mot reste en gros intacte, et les connaissances linguistiques peuvent la réparer.\n- **Shuffle** : toutes les lettres du mot sont mélangées ; repeated devient par exemple eepetadr. Les lettres sont les mêmes, mais la structure est détruite.\n\n**Sans a priori** : tout le document est remplacé par des « mots » de 2 à 10 lettres aléatoires, majuscules ou minuscules, avec la même distribution de longueurs que l'original. Il n'y a plus ni vocabulaire ni grammaire sur lesquels s'appuyer ; les auteurs y voient un « sérum de vérité » pour les systèmes d'OCR.\n\n### Deux autres tests\n\n- **Questions-réponses** : chaque page de Fox reçoit trois questions factuelles à choix multiple. On compare DeepSeek-OCR répondant à partir de l'image (VQA), des modèles de langage répondant à partir du texte fourni directement (QA), et d'autres VLM de 3 à 8B.\n- **Longueur de contexte** : GPT-5.1 écrit cinq histoires en anglais d'environ 5 000 mots chacune, concaténées et répétées jusqu'à environ 20 000 tokens, puis découpées en 40 segments de 500 à 20 000 tokens, par paliers de 500. Ces segments sont rendus en images de documents et lus par les quatre modes de DeepSeek-OCR.\n\n## Discussion\n\n### Quand la phrase perd son sens\n\n[![En haut, une phrase ordinaire, que DeepSeek-OCR lit correctement ; en bas, la phrase où des mots ont été remplacés par breadboxed, whispers, Squeaker et rebound, pour laquelle le modèle produit des mots courants comme rebroadcast et Square](/content/papers/assets/3dfc834dee089d76acab6a1ce767b06c592ef84c6b48c2a5f79a7723f9cc3f09.png)](/content/papers/assets/3dfc834dee089d76acab6a1ce767b06c592ef84c6b48c2a5f79a7723f9cc3f09.png)\n\n*Figure 1 de l'article, extraite de la [**page 1 du PDF v2**](https://arxiv.org/pdf/2601.03714v2#page=1). En haut, une entrée ordinaire ; en bas, l'entrée après destruction du sens ; à droite, en jaune, les mots réécrits par le modèle.*\n\nRegardons la ligne du bas. L'image affiche clairement Squeaker ; le modèle écrit Square. Quant à breadboxed et rebound, ils deviennent tous deux rebroadcast. Toutes ces sorties sont de vrais mots anglais, et la phrase se lit même plus facilement que l'original.\n\nVoici la précision moyenne sur les 112 pages :\n\n| Mode (tokens visuels) | text2png | Phrases détruites | Baisse |\n| --- | ---: | ---: | ---: |\n| Tiny (64) | 88,00 | 76,75 | 11,25 |\n| Small (100) | 95,23 | 91,56 | 3,67 |\n| Base (256) | 97,93 | 97,31 | 0,62 |\n\n*Tableau : moyennes de la Table 1 de l'article (%).*\n\nMoins il y a de tokens visuels, plus la chute est forte. Avec 256 tokens, que la phrase ait un sens ou non n'affecte presque pas le résultat ; avec seulement 64, la perte dépasse 11 points de pourcentage.\n\n### Quand les mots ne ressemblent plus à des mots\n\nSwap et Shuffle vont dans le même sens. Avec 10 % des mots perturbés, le mode Tiny perd en moyenne 9,89 et 11,30 points de pourcentage respectivement. Shuffle fait plus de dégâts que Swap ; selon les auteurs, cela montre que le modèle s'appuie sur l'ordre normal des lettres pour décoder.\n\nLes cas individuels sont encore plus parlants :\n\n| Situation | Entrée | Sortie |\n| --- | --- | --- |\n| Swap | has ayreadl | has already |\n| Shuffle | it won't all be eepetadr here. | I won't be all expected here. |\n| Sans a priori | EYuoV qUtjpy pWxZCks | E'vuol u'qtippy piwZckus |\n\n*Tableau : extrait de la Table 5 de l'article.*\n\nDans les deux premières lignes, le modèle se comporte comme un correcteur automatique et transforme les mots bizarres en anglais fluide. Dans la dernière, il n'existe aucune direction vers laquelle « corriger » : le modèle force les lettres aléatoires à former quelque chose qui ressemble à des syllabes, et le résultat n'est ni l'original, ni des mots.\n\nPrécision moyenne sans a priori : 19,84 % en Tiny, 42,12 % en Small, 61,70 % en Base. Par rapport à text2png, Tiny perd 68 points de pourcentage, et même Base en perd 36.\n\n### Et les autres modèles ?\n\n[![Deux tableaux : précision, par tranche de longueur de texte, sur du texte ordinaire et sur des lettres aléatoires, des modèles de bout en bout DeepSeek-OCR, dots.ocr, Qwen2.5-VL, GOT-OCR, MonkeyOCR, SmolDocling, Nougat, HunyuanOCR, etc., et de deux chaînes traditionnelles, MinerU et PaddleOCR-v5](/content/papers/assets/5d2501d5e3e771beeb643c417a2fd5186c6c1994a4caa911b27ca6896df3907f.png)](/content/papers/assets/5d2501d5e3e771beeb643c417a2fd5186c6c1994a4caa911b27ca6896df3907f.png)\n\n*Tables 6–7 de l'article, extraites de la [**page 6 du PDF v2**](https://arxiv.org/pdf/2601.03714v2#page=6). En haut, le texte ordinaire ; en bas, les lettres aléatoires ; les deux colonnes de droite correspondent aux chaînes traditionnelles en plusieurs étapes.*\n\nLa dernière ligne donne la moyenne. Quelques points de comparaison :\n\n| Modèle | Texte ordinaire | Lettres aléatoires |\n| --- | ---: | ---: |\n| PaddleOCR-v5 (en plusieurs étapes) | 94,44 | 89,53 |\n| MonkeyOCR 3B | 97,37 | 79,97 |\n| GOT-OCR (0,58B) | 98,00 | 57,71 |\n| Qwen2.5-VL 72B | 98,69 | 56,78 |\n| Nougat (0,35B) | 96,82 | 37,94 |\n| DeepSeek-OCR Tiny | 88,00 | 19,84 |\n\nSur le texte ordinaire, les modèles de bout en bout sont presque tous au-dessus de 94 %, sans différence notable. Avec des lettres aléatoires, ils perdent entre 17 et 68 points de pourcentage ; PaddleOCR-v5, qui détecte d'abord les lignes de texte puis les reconnaît une à une, ne perd que 4,9 points.\n\nL'explication des auteurs : la chaîne en plusieurs étapes sépare reconnaissance visuelle et décodage linguistique, ce qui lui permet de lire même sans régularités linguistiques. Les modèles de bout en bout génèrent directement le texte à partir de l'image ; là où la vue manque de certitude, les connaissances linguistiques prennent le relais.\n\nL'autre chaîne en plusieurs étapes, MinerU, reste sous les 10 % sur les deux types de texte : sa détection de mise en page traite l'image entière comme un seul bloc, et la reconnaissance qui suit n'a aucune prise. Cet échec n'a rien à voir avec l'a priori linguistique et doit être écarté de la comparaison.\n\n### Questions-réponses et long contexte\n\nAu test de questions-réponses, DeepSeek-OCR répondant à partir de l'image obtient environ 20 % de bonnes réponses, alors que le hasard donne 25 % sur des questions à quatre choix ; en fournissant directement le texte à des modèles de langage comme Qwen2.5-3B, on dépasse 90 %. Les auteurs en concluent que la compression optique détruit le sens nécessaire au raisonnement.\n\nCette conclusion est à nuancer. L'article a aussi testé le décodeur de DeepSeek-OCR en lui fournissant directement le **texte de la vérité terrain** : il n'obtient que 27,7 %. L'article original de DeepSeek-OCR le dit clairement : le modèle n'a pas subi d'affinage supervisé, ce n'est pas un modèle conversationnel, et certaines de ses capacités ne se manifestent qu'avec des prompts de complétion. Une bonne partie de ces faibles scores pourrait donc venir d'un décodeur qui, à la base, répond mal aux questions ; on ne peut pas tout mettre sur le compte de la compression.\n\n[![Précision OCR des quatre modes de DeepSeek-OCR selon la longueur du contexte, avec une bande d'un écart-type ; l'axe horizontal donne le nombre de tokens (en milliers) ; Tiny, Base et Large tombent à zéro vers 8,5K, et le mode Small tient jusqu'à environ 10,5K](/content/papers/assets/eab689713edeb816901e8cb5dc077a8708b983866058f104214ba5fd1d9973c3.png)](/content/papers/assets/eab689713edeb816901e8cb5dc077a8708b983866058f104214ba5fd1d9973c3.png)\n\n*Figure 3 de l'article, extraite de la [**page 8 du PDF v2**](https://arxiv.org/pdf/2601.03714v2#page=8). En abscisse, le nombre de tokens de texte dans une seule image (en milliers) ; en ordonnée, la précision.*\n\nDans le test de long contexte, les courbes commencent à baisser bien avant l'« effondrement vers dix mille tokens » annoncé dans le résumé des auteurs : les quatre modes reculent déjà nettement entre 1 000 et 3 000 tokens ; Tiny, Base et Large tombent à zéro vers 8 500 tokens, et Small tient jusqu'à environ 10 500 avant d'y tomber à son tour.\n\nL'article donne l'exemple du mode Base : à 2 500 tokens, la lecture est presque parfaite, à part le nom Xingfu lu Yingxiu ; à 3 000 tokens, la première moitié de la phrase n'a déjà plus rien à voir avec l'original ; à 3 500 et 4 000 tokens, le modèle commence à répéter une même locution ; à 8 000 tokens, il produit la phrase « ce texte est un espace réservé pour une image » ; au-delà, il ne reste que des balises de tableau HTML vides.\n\nMais cette expérience entasse de plus en plus de texte dans **une seule image**. Dix mille tokens d'anglais dans 1024×1024 pixels au plus : chaque caractère dispose de très peu de pixels, et l'effondrement pourrait venir en partie de caractères simplement trop petits pour être lisibles. Les auteurs interprètent ce résultat comme une aggravation, par la compression optique, du goulot d'étranglement du long contexte ; selon nous, ce test répond plus directement à une autre question : « combien de texte peut tenir dans une image de résolution fixe ? »\n\n### À garder en tête en lisant cet article\n\n1. **Seuls des paragraphes anglais denses sont testés.** Dans la section sur les limites, les auteurs précisent qu'ils n'ont pas testé à grande échelle les formules, le code ou les tableaux, des contenus où l'a priori linguistique aide de toute façon moins.\n2. **La condition sans a priori est extrême.** Dans les vrais documents, une page entière de lettres aléatoires est rare ; cette condition sert à mesurer « ce que l'image permet de lire à elle seule », et ses résultats ne se convertissent pas directement en taux d'erreur sur des documents courants.\n3. **Les tests de questions-réponses et de long contexte comportent des facteurs de confusion**, voir la section précédente.\n4. **Le nombre de références.** Le résumé annonce une comparaison avec 13 références ; les tableaux montrent, outre deux modes de DeepSeek-OCR, 11 autres modèles ou tailles.\n\n## Conclusion\n\nAvec une expérience contrôlée très simple, cet article sépare, dans les scores d'OCR, ce qui a été « vu » de ce qui a été « deviné » :\n\n1. **Moins il y a de tokens visuels, plus l'a priori linguistique pèse.** Quand les phrases perdent leur sens, Tiny perd 11 points de pourcentage, et Base presque rien.\n2. **Sans aucune régularité linguistique, les modèles de bout en bout chutent presque tous lourdement.** DeepSeek-OCR Tiny passe de 88 % à environ 20 %, Qwen2.5-VL 72B de 98,7 % à 56,8 %.\n3. **L'OCR traditionnel en plusieurs étapes est le plus stable.** PaddleOCR-v5 ne perd que 4,9 points de pourcentage.\n\nSi la compression optique fonctionne sur de l'anglais normal, c'est en partie justement parce que l'anglais est régulier et que le décodeur peut combler les manques. Ce n'est pas un défaut en soi : un humain qui lit un texte flou fait la même chose. Le problème, c'est que l'utilisateur ne voit pas quels caractères ont été complétés.\n\nPour un ingénieur, le plus utile dans cet article est sa méthode de vérification : **retirer le sens et refaire le test**. Avant de confier à un VLM la lecture de textes sans régularité, comme des numéros, des noms propres ou des codes, un test sur des chaînes aléatoires est plus fiable qu'un coup d'œil au classement.\n","imageSizes":{"/content/papers/assets/3dfc834dee089d76acab6a1ce767b06c592ef84c6b48c2a5f79a7723f9cc3f09.png":{"width":644,"height":300},"/content/papers/assets/5d2501d5e3e771beeb643c417a2fd5186c6c1994a4caa911b27ca6896df3907f.png":{"width":1277,"height":1100},"/content/papers/assets/eab689713edeb816901e8cb5dc077a8708b983866058f104214ba5fd1d9973c3.png":{"width":661,"height":466}}}