🧠 فشرده‌سازی نوری؛ روشی تازه برای حافظه‌ی پایدار در هوش مصنوعی 🚀

یکی از چالش‌های بزرگ در مدل‌های زبانی، هزینه‌ی بالای کانتکست و مشکل فراموشی در ایجنت‌هاست.
فناوری جدیدی به نام Optical Compression اومده تا این مسئله رو از پایه تغییر بده.
به جای حذف یا خلاصه‌سازی داده، حالا مدل می‌تونه اون رو به‌صورت فشرده در حافظه نگه داره. 📄

⚙️ ایده‌ی اصلی: حافظه‌ای که با گذر زمان فشرده‌تر می‌شه

در این روش، داده‌ها به‌صورت تدریجی فشرده می‌شن، یعنی هرچه زمان می‌گذره، جزئیات غیرضروری کم‌رنگ می‌شن ولی مفهوم اصلی باقی می‌مونه.
به این ترتیب، مدل می‌تونه ده‌ها هزار صفحه داده رو در حافظه نگه داره بدون فروپاشی کانتکست یا نیاز به RAG.
برای مثال، فقط با یک GPU می‌شه روزانه بیش از ۲۰۰هزار صفحه پردازش کرد.

نتیجه؟
عامل‌هایی که حافظه‌ی ماندگار دارن،
مدل‌هایی که می‌تونن آرشیوهای بزرگ رو مستقیماً در کانتکست بخونن،
و آموزش چندرسانه‌ای که تا ده‌برابر کاراتر می‌شه.

📎 پروژه‌ی DeepSeek-OCR با همین ایده ساخته شده و عملکرد چشمگیری در فشرده‌سازی متنی و تصویری نشون داده:
👉 github.com/deepseek-ai/DeepSeek-OCR

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@