2026-01-27 23:37

【TechWeb】1月27日音信，深度求索（DeepSeek）团队发布了论文《DeepSeek-OCR 2: Visual Causal Flow》并开源了同名模子DeepSeek-OCR 2。这一模子是对昨年10月20日发布的DeepSeek-OCR模子的升级。

3个月期间，从DeepSeek-OCR到DeepSeek-OCR 2，论文提到在巨擘的概述性文档意会基准OmniDocBench v1.5上，DeepSeek-OCR 2获取了91.09% 的分数，较其前代大幅普及3.73%。

其中枢鼎新在于提议了“Visual Causal Flow” （“视觉因果流”） 这一全新的编码范式。

注：R-order值为模子输出功令与圭臬功令之间的圭臬化剪辑距离，数值越低，阐述模子的输出越准确、逻辑功令越正确。

中枢鼎新：DeepEncoder V2 架构引入Visual Causal

传统的OCR（光学字符识别）技巧，时常遴荐一种近似“机械扫描”的计策：将图像切割成网格，然后按照从左到右、从上到下的固定功令识别笔墨。这种神态在处分通俗文档时灵验，但一朝靠近充满表格、多栏排版、数学公式或复杂图示的学术论文、薪金时，其输出的文本时常逻辑芜杂，丢失了内容之间内在的语义探究。

DeepSeek-OCR 2的计议不再知足于让模子“看见”笔墨，而是拦截于于让它像东说念主类雷同，先“意会”文档的视觉结构与内容逻辑，再“敷陈”出文本。

DeepSeek-OCR 2引入的 DeepEncoder V2 架构。

从DeepSeek-OCR的DeepEncoder架构，到DeepSeek-OCR 2的 DeepEncoder V2 架构，有了哪些升级？

DeepEncoder V2被盘算推算用于赋予编码器因果推理才能，使其好像在大说话模子进行内容解读之前，智能地对视觉秀美进行重排。

DeepEncoder V2像一位领有全局不雅的阅读者。它的使命经过分为三步，扫尾了剖释上的飞跃：

率先，全局不雅察：模子通过双向戒备力机制，无遗漏地“瞟见”整页文档的整个视觉信息。

接着，逻辑推理：模子的中枢组件——“因果流查询”启动使命。它不再受制于空间功令，而是字据内容的语义进攻性、排版结构和逻辑探究，动态地推理出一个最合理的“阅读功令”。举例，它会先读完一个文本栏，再跳转到控制的图表标题，然后处分下方的表格，临了识别侧边栏的注视。

临了，有序压缩：模子按照这个自我推理出的逻辑功令，北京pk10官网将高维的视觉信息压缩、重排为一串低维的、富含语义的“视觉秀美”。

这一过程的中枢是将空间优先的编码养息为语义优先的编码。论文指出，这种“因果流”机制使模子输出的视觉序列自己就佩戴了强横的功令因果性，为后续的说话解码器提供了结构明晰、逻辑绽开的“念念考蓝图”。

从服从到意会的全面冲破

基于“视觉因果流”这一底层鼎新，DeepSeek-OCR 2展现出了一系列显贵优于前代及同类模子的才能。

率先，是惊东说念主的处分服从。它仅需256至1120个视觉秀美就能精确暗示一页复漫笔档的内容，达到了极高的视觉信息压缩率。这极地面放松了下流大说话模子的计较包袱，使得将高质料文档图像意会才能集成到各样AI运用中变得更为可行。

其次，在复漫笔档意会上扫尾了质的冲破。模子在学术论文、金融报表、杂志等包含多栏、浮动体、数学公式的文档上发达尤为出色。它不仅准确识别笔墨，更能归附内容间的逻辑功令，输出后的文本无需大齐后期养息即可平直用于分析或存档。

最终，这些上风养息为了硬性的性能普及。在巨擘的概述性文档意会基准OmniDocBench v1.5上，DeepSeek-OCR 2获取了91.09% 的分数，较其前代大幅普及3.73%。更具劝服力的是，在推断阅读功令准确度的关节谈论（圭臬化剪辑距离）上，其性能普及了约33%。在本色出产环境的测试中，模子输出的交流和意外旨内容也显贵减少，诠释了其不凡的褂讪性和可靠性。

异常OCR的通用模态编码器雏形

DeepSeek-OCR 2的价值远不啻于一个更广宽的OCR用具。它算作高质料文本数据的出产引擎，不错为大说话模子的考核提供海量、精确的文本语料。更进攻的是，它所考据的“让模子自主决定信息处分功令”的“因果流”念念想，为下一代多模态东说念主工智能架构指明了标的。

论文预测，这一旨趣有望发展成为一个长入的全模态编码器。异日，无论是文本、图像、音频仍是视频，模子齐不错先通过雷同的“因果流”机制，意会该模态信息的内在结构与逻辑，再将其压缩为长入的、富含语义的中间暗示，从而扫尾更深脉络、更接近东说念主类剖释神态的跨模态意会与生成。

虽然，计议也坦诚指出了面前模子的局限，举例在文本终点密集，如古典报纸的场景下，识别后果仍有优化空间。