MAU被豆包反超，Deepseek挤了点牙膏

主要观点总结

DeepSeek在推出新的OCR模型DeepSeek-OCR后引起了关注。该模型采用“视觉-文字压缩”方案，相比传统OCR模型提高了扫描效率。然而，在C端用户规模上，DeepSeek遭遇了竞争对手豆包的反超。豆包凭借多模态能力的广泛应用以及与抖音生态的深度接入，赢得了更多的用户。尽管DeepSeek凭借模型技术迭代走出差异化道路，但在面对豆包的竞争时，其增长势头出现减缓迹象。DeepSeek-OCR的发布标志着DeepSeek在技术探索上的持续领先，但如何转化庞大的C端用户规模仍是其面临的挑战。同时，DeepSeek需要在模型迭代和C端生态构建上寻找差异化的路线，以再次向豆包发起冲击。

关键观点总结

关键观点1: DeepSeek推出新的OCR模型DeepSeek-OCR，采用“视觉-文字压缩”方案提高扫描效率。

DeepSeek-OCR不仅能识别中英文混合文本，还能处理手写体、复杂表格等高难度场景，准确率在多个公开数据集上刷新纪录。该模型代表着DeepSeek正在从‘语言模型＋Chatbot’核心路径，向更多的用户场景拓展。

关键观点2: DeepSeek在C端用户规模上遭遇竞争对手豆包的反超。

豆包凭借多模态能力的广泛应用以及与抖音生态的深度接入，赢得了更多的用户。其生态优势、用户触点积累以及瞄准最广泛受众的产品体验面，使其成功夺回C端AI应用市场的头把交椅。

关键观点3: DeepSeek面临增长势头减缓的挑战。

尽管DeepSeek在年初曾取得引人关注的用户增长与技术突破，但后续增长势头减缓。与此同时，竞争对手如豆包和腾讯的元宝等在国内AI市场表现出强劲的增长势头。

关键观点4: DeepSeek-OCR的发布是技术探索上的重要里程碑。

DeepSeek坚持技术深耕的路线，其新发布的DeepSeek-OCR模型展示了DeepSeek在LLM领域的领先技术探索能力。该模型的高效吞吐能力可以有效帮助构建其他大模型的训练数据集。

关键观点5: DeepSeek需要在模型迭代和C端生态构建上寻找差异化的路线。

面对竞争对手庞大的生态优势，DeepSeek需要在产品理念和风格上进行优化，以提高用户规模的转化效率。同时，构建差异化的C端生态将是其能否再度向竞争对手发起冲击的重要因素。