人间至味是清欢

与13岁女生发生性关系！新西兰男子欲逃往中国，在机场被抓_我的网站

A |     转自公众号：新西兰中文先驱Chinese_Herald          新西兰一名24岁男子与一名13岁女生发生性关系，在准备搭乘飞往中国的航班时被捕。         Advertise with us          这周三，尼尔森地方法院判处他9个月的居家监禁。         01          相识于溜冰场发生两次性关系          据法院文件显示，这名男子叫Kwan Loong Lee（音译：李关龙）。         2022年，当时24岁的李在尼尔森一家溜冰场认识了一名13岁的女子，并于去年5月与她发生性关系。    就在刚刚，DeepSeek开源了一个3B模型DeepSeek-OCR。

B | 虽然体量不大，但模型思路创新的力度着实不小。         从去年4月28日到5月26日期间，两人互动频繁，手机上共有7093 条互动信息。                   众所周知，当前所有LLM处理长文本时都面临一个绕不开的困境：计算复杂度是平方级增长的。序列越长，算力烧得越狠。         警方表示，李“清楚地知道”女生还只是一名学生，因为“学校”一词在互动信息中出现了 55 次。

C |          去年5月1日深夜，李给女生发短信称，有人威胁以恋童罪名向警方举报他，女生询问原因，李告诉她这是“因为我正在和未成年人约会”。                             于是，DeepSeek团队想到了一个好办法。既然一张图能包含大量文字信息，而且用的Token还少，那不如直接把文本转成图像？这就是所谓的“光学压缩”——用视觉模态来给文本信息“瘦身”。                   而OCR正好天然适合验证这个思路，因为它本身就是在做“视觉→文本”的转换，而且效果还能量化评估。         导致李第一次被指控的事件发生在当晚晚些时候，当时李和女生在他的车里约会，他们开始接吻，双方发生了性行为，之后女生回家了。                             论文显示，DeepSeek-OCR的压缩率能达到10倍，OCR准确率还能保持在97%以上。

D |          然后，5月25日凌晨，他们再次见面，并再次在他的车内发生性关系。                   啥意思呢？就是说，原本需要1000个文本Token才能表达的内容，现在只用100个视觉Token就搞定了。即使压缩率拉到20倍，准确率也还有60%左右，整体效果相当能打。         但女生发现李的安全套破裂了，这让女生担心自己可能会怀孕。                   OmniDocBench基准测试结果显示：                    只用100个视觉Token，就超过了GOT-OCR2.0（每页256个Token）的表现；          用不到800个视觉Token，干翻了MinerU2.0（平均每页超过6000个Token）。

E |                    02          东窗事发准备逃往中国          第二天，女生告诉了学校辅导员，辅导员通知了她的父母，然后父母报了警。                        在实际生产中，一块A100-40G显卡就能每天生成超过20万页的LLM/VLM训练数据。         当天晚些时候，女生还给李发了一条信息：“我爸爸发现了，他想报警，所以你最好远离我和我的家”。         李没有回应，但在5天后，也就是5月31日，他在奥克兰国际机场准备登上飞往中国的飞机时被捕。

F | 20个节点（160块A100）直接飙到每天3300万页。

G |          女孩的父亲对此非常生气，他在读受害人影响陈述时哭了，他说，他们全家人遭受的情感伤害是“无法估量的”。他有酗酒问题，整晚都哭着入睡，责怪自己不是一个好父亲。         女生的母亲也说，她的女儿失去了童年和纯真，她在性和情感上都被利用了。                             DeepSeek-OCR由两个核心组件组成：                    DeepEncoder（编码器）：负责图像特征提取和压缩；          DeepSeek3B-MoE（解码器）：负责从压缩后的视觉Token中重建文本。         李在保释期间继续与女生联系，女生父亲表示考虑全家将搬到奥克兰，以尽可能远离李。                        让我们来重点说说DeepEncoder这个引擎。                   03          判处9月居家监禁赔3000刀          检察官表示，这起犯罪行为是有预谋的诱骗行为，并且持续很长一段时间。         由于两人之间存在着继续接触风险，他主张将李列入儿童性犯罪者登记册里。         最终，法官认为，女生年龄小，无法正确理解和处理一段关系。无论她怎么想……法律都有义务保护她免受伤害。

H |                    它的架构很巧妙，通过把SAM-base（8000万参数）和CLIP-large（3亿参数）串联起来，前者负责“窗口注意力”提取视觉特征，后者负责“全局注意力”理解整体信息。

I |          法官还认为，被告在明知被威胁举报恋童癖，依然和女生在短时间内发生两次性行为。

J | ”          最终，考虑到李是初犯，无犯罪前科，法官判处了他9个月的居家监禁，同时将他的名字记录在儿童性犯罪者名单中。

K |          李还被命令不得与受害者女生，或与任何16岁以下的人来往，并需向受害者女生支付3000纽币的精神伤害赔偿。         原文链接          相关阅读：          上海教师出轨16岁学生后，网上一堆“张老师”，离谱！          与15岁男孩发生性关系，新西兰20岁女子被判刑          与女学生“关系不当”，奥克兰一名女老师被吊销教学资格          注：本文为编译/原创，欢迎转发分享；但严禁复制等未经授权的非法使用。                   中间还加了个16×卷积压缩器，在进入全局注意力层之前把Token数量大幅砍掉。违反上述声明者，本网将追究其相关法律责任。使用授权请联系[email protected]。         chineseherald.co.nz All Rights Reserved 版权所有          (责编：twinkle)          来源 - 先驱自媒          相关内容                XBB新冠疫苗下月初上市，哪些人群可以接种？           好天气Say拜拜! 本周末新西兰大部分地区有暴雨和强风           准备好！接下来九周，1号高速此段大封路！           数百条肥美鲷鱼冲上奥克兰海滩，渔业局：鱼没问题，但别吃           与前总理们相比，Christopher Luxon上任后人气没有提升，原因何在？           夜间奥克兰西区发生两起逮捕事件，两人受重伤，四人被拘留           奥克兰Ellerslie华人夫妇遇害案：两名被告面临新的指控           新西兰儿童部被严厉警告：“完全不可接受”。                   举例而言，一张1024×1024的图像，会被切成4096个patch token。但经过压缩器处理后，进入全局注意力层的Token数量会大幅减少。                   这样的好处是，既保证了处理高分辨率输入的能力，又控制住了激活内存的开销。                   而且DeepEncoder还支持多分辨率输入，从512×512的Tiny模式（64个Token）到1280×1280的Large模式（400个Token），一个模型全搞定。                   目前开源版本支持的模式包括原生分辨率的Tiny、Small、Base、Large四档，还有动态分辨率的Gundam模式，灵活性拉满。                             解码器用的是DeepSeek-3B-MoE架构。                   别看只有3B参数，但采用了MoE（混合专家）设计——64个专家中激活6个，再加2个共享专家，实际激活参数约5.7亿。这也让模型既有30亿参数模型的表达能力，又保持了5亿参数模型的推理效率。

L |                    解码器的任务就是从压缩后的视觉Token中重建出原始文本，这个过程可以通过OCR风格的训练被紧凑型语言模型有效学习。                   数据方面，DeepSeek团队也是下了血本。                   从互联网收集了3000万页多语言PDF数据，涵盖约100种语言，其中中英文占2500万页。                   数据分两类：粗标注直接用fitz从PDF提取，主要训练少数语言的识别能力；精标注用PP-DocLayout、MinerU、GOT-OCR2.0等模型生成，包含检测与识别交织的高质量数据。                   对于少数语言，团队还搞了个“模型飞轮”机制——先用有跨语言泛化能力的版面分析模型做检测，再用fitz生成的数据训练GOT-OCR2.0，然后用训练好的模型反过来标注更多数据，循环往复最终生成了60万条样本。                   此外还有300万条Word文档数据，主要提升公式识别和HTML表格解析能力。                   场景OCR方面，从LAION和Wukong数据集收集图像，用PaddleOCR标注，中英文各1000万条样本。                             DeepSeek-OCR不仅能识别文字，还具备“深度解析”能力，只需一个统一的提示词，就能对各种复杂图像进行结构化提取：                    图表：金融研究报告中的图表可以直接提取为结构化数据；          化学结构式：识别并转换为SMILES格式；          几何图形：对平面几何图形进行复制和结构化解析；          自然图像：生成密集描述（dense captions）。                        这在STEM领域的应用潜力巨大，尤其是化学、物理、数学等需要处理大量符号和图形的场景。                   第一作者Haoran Wei此前曾供职于阶跃星辰，期间发布并开源了GOT-OCR2.0系统                    值得注意的是，DeepSeek团队在论文里还提出了一个脑洞大开的想法——用光学压缩模拟人类的遗忘机制。                   人类的记忆会随时间衰退，越久远的事情记得越模糊。DeepSeek团队想，那能不能让AI也这样？于是，他们的方案是：                    1. 把超过第k轮的历史对话内容渲染成图像；          2. 初步压缩，实现约10倍的Token减少；          3. 对于更久远的上下文，继续缩小图像尺寸；          4. 随着图像越来越小，内容也越来越模糊，最终达到“文本遗忘”的效果。                   这就很像人类记忆的衰退曲线，近期信息保持高保真度，久远记忆自然淡化。

M |                    虽然这还是个早期研究方向，但如果真能实现，对于处理超长上下文将是个巨大突破——近期上下文保持高分辨率，历史上下文占用更少计算资源，理论上可以支撑“无限上下文”。                             简言之，DeepSeek-OCR表面上是个OCR模型，但实际上是在探索一个更宏大的命题：能否用视觉模态作为LLM文本信息处理的高效压缩媒介？                    初步答案是肯定的，7—20倍的Token压缩能力已经展现出来了。                   当然，团队也承认这只是个开始。单纯的OCR还不足以完全验证“上下文光学压缩”，后续还计划开展数字–光学文本交替预训练、“大海捞针”式测试，以及其他系统性评估。                   不过不管怎么说，这在VLM和LLM的进化路上，又多了一条新赛道。                   去年这个时候，大家还在卷怎么让模型“记得更多”。

N | 今年DeepSeek直接反其道行之，不如让模型学会“忘掉一些”。                   确然，AI的进化，有时候不是做加法，而是做减法。小而美，也能玩出大花样，DeepSeek-OCR这个3B小模型就是最好的证明。                   GitHub主页：http://github.com/deepseek-ai/DeepSeek-OCR          论文地址：https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek\_OCR\_paper.pdf          模型下载：https://huggingface.co/deepseek-ai/DeepSeek-OCR                    本文来自微信公众号：APPSO （ID：appsolution）。

o |

Current article:http://mq944.recuigoutoubaozukai.pics/list_dvqn/kwu.html

Published on:05:30:31