<p>DeepSeek 发布新一代光学字符识别系统，通过让 AI 以类似人类的逻辑顺序理解图像，在视觉识别领域实现技术突破。这一进展可能重塑文档处理、图表分析等依赖复杂视觉理解的应用场景。</p>
<p>27 日，DeepSeek 发布了 DeepSeek-OCR 2 系统。该系统采用名为 DeepEncoder V2 的新方法，使 AI 能够像人类一样按照逻辑顺序 “看” 图像。这项技术的核心创新在于改变了传统 AI 处理图像的方式。<strong>DeepEncoder V2 让 AI 基于图像含义动态重新排列图像片段，而非传统的从左到右刚性扫描。</strong>这种方法模仿了人类追随场景逻辑流的方式。</p>
<p>根据 DeepSeek 公布的技术报告，DeepSeek-OCR 2 在多项关键指标上展现出显著优势。在 OmniDocBench v1.5 基准测试中，该模型取得了 91.09% 的成绩，相较于前代 DeepSeek-OCR 提升了 3.73%。</p>
<p>值得注意的是，该模型在保持极高精度的同时，严格控制了计算成本，<strong>其视觉 Token 数量被限制在 256 至 1120 之间，这一上限与 Google 的 Gemini-3 Pro 保持一致。</strong> 在实际生产环境中，该模型在处理在线用户日志和 PDF 预训练数据时的重复率分别下降了 2.08% 和 0.81%，显示出极高的实用成熟度。</p>
<p><img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/4d614c11-a1f3-4e8e-b7ce-88abbbda2446.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="732" height="1122" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/4d614c11-a1f3-4e8e-b7ce-88abbbda2446.png"/></p>
<div>
<h2 id="eab2c87d">模拟人类视觉的 “因果流” 逻辑</h2>
</div>
<p>根据 DeepSeek 公布的技术报告，现有的视觉语言模型（VLMs）通常采用固定的光栅扫描顺序（光栅扫描顺序）处理图像切片，即机械地从左上角扫描至右下角。DeepSeek 团队指出，这种方式引入了不必要的归纳偏差，与人类视觉感知背道而驰。 人类在阅读复杂文档、表格或追踪螺旋线条时，视线是受语义理解驱动的 “因果流”，后一次注视往往因果依赖于前一次注视，而非单纯的空间坐标移动。</p>
<p>受此认知机制启发，DeepSeek-OCR 2 的核心组件 DeepEncoder V2 被设计用于赋予编码器因果推理能力。<strong>通过引入可学习的 “因果流查询”（Causal Flow Queries），模型能够在进入 LLM 解码器进行内容解释之前，先在编码阶段就对视觉信息进行智能重排序。</strong>这实际上构建了一个两级级联的 1D 因果推理结构：首先由编码器在语义上重组视觉 Token，随后由解码器对有序序列进行自回归推理。 这种设计不仅符合光学文本、表格和公式的非线性布局特征，还有效弥补了 2D 图像结构与 1D 语言建模之间的鸿沟。</p>
<p><img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/cd291ffe-0c1c-4f2c-a881-57892842d1f5.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="420" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/cd291ffe-0c1c-4f2c-a881-57892842d1f5.png"/></p>
<div>
<h2 id="clip-llm">弃用 CLIP 架构，转向 LLM 式编码器</h2>
</div>
<p>DeepEncoder V2 在架构上实施了重大变革，将 DeepEncoder 中原有的 CLIP 组件替换为紧凑的 LLM 式架构（具体为 Qwen2-0.5B）。为了实现并行处理，新架构引入了一组可学习的查询向量，<strong>称为 “因果流 Token”，</strong>并将原始视觉 Token 作为前缀拼接到序列中。</p>
<p><img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/26b419b5-0df6-4795-beeb-bc14e082c0a8.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="525" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/26b419b5-0df6-4795-beeb-bc14e082c0a8.png"/></p>
<p>该架构采用了一种定制化的注意力掩码（Attention Mask）策略：</p>
<blockquote>
<ul>
<li>视觉 Token 部分：保留双向注意力机制，确保模型能够像 CLIP 一样拥有全局感受野，捕捉图像的整体特征。</li>
<li>因果流 Token 部分：采用因果注意力机制（类似 Decoder-only LLM），每个查询 Token 只能关注之前的 Token。</li>
</ul>
</blockquote>
<p><img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/263db91b-2e0f-4ae1-9ae1-62b7b13f9d1c.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="419" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/263db91b-2e0f-4ae1-9ae1-62b7b13f9d1c.png"/></p>
<p>通过这种设计，视觉 Token 保持了信息的全局交互，而因果流 Token 则获得了重排序视觉信息的能力。DeepSeek-OCR 2 采用了多裁剪策略（Multi-crop strategy），<strong>根据图像分辨率不同，最终输入 LLM 的重排序视觉 Token 总数在 256 到 1120 之间。</strong>这一数量级显著低于部分竞品高达 6000 以上的 Token 消耗，在保证高性能的同时大幅降低了计算开销。</p>
<div>
<h2 id="7cffad2e">性能显著提升与生产环境验证</h2>
</div>
<p>在 OmniDocBench v1.5 的综合评估中，DeepSeek-OCR 2 表现优异。数据显示，在同样的训练数据源下，<strong>新模型相较于 DeepSeek-OCR 基线模型取得了 3.73% 的性能提升。</strong>特别是在阅读顺序（Reading Order）的编辑距离（Edit Distance）指标上，DeepSeek-OCR 2 从 0.085 显著降低至 0.057，这直接验证了 DeepEncoder V2 在逻辑重排序方面的有效性。</p>
<p>除了基准测试，DeepSeek 还披露了该模型在实际生产管线中的表现。DeepSeek-OCR 2 主要服务于 DeepSeek-LLMs 的在线 OCR 服务及 PDF 预训练数据处理。在没有真值（Ground Truth）的生产环境中，重复率（Repetition Rate）是衡量质量的核心指标。数据显示，在处理在线用户日志图像时，DeepSeek-OCR 2 将重复率从 6.25% 降低至 4.17%;在 PDF 数据生产中，重复率从 3.69% 降至 2.88%。这表明新模型在生成高质量、低冗余的文本数据方面具备极高的实用价值。</p>
<p><img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/94696082-60ea-451c-81b7-94939479073b.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="913" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/94696082-60ea-451c-81b7-94939479073b.jpeg"/></p>
<div>
<h2 id="2-d">通向原生多模态与真正的 2D 推理</h2>
</div>
<p>DeepSeek-OCR 2 的发布不仅是一次 OCR 性能的升级，更具有深远的架构探索意义。DeepEncoder V2 初步验证了使用语言模型架构作为视觉编码器的潜力。这种架构天然继承了 LLM 社区在基础设施优化方面的成果，如混合专家（MoE）架构和高效注意力机制。</p>
<p><strong>DeepSeek 团队认为，这为迈向统一的全模态编码器提供了一条有希望的路径。</strong>未来，单一编码器可能通过配置特定模态的可学习查询，在同一参数空间内实现对图像、音频和文本的特征提取与压缩。DeepSeek-OCR 2 所展示的 “两个级联的 1D 因果推理器” 模式，通过将 2D 理解分解为 “阅读逻辑推理” 和 “视觉任务推理” 两个互补子任务，或许代表了实现真正 2D 推理的一种突破性架构方法。</p>

深度求索

<p>DeepSeek 发布 OCR 2 新系统，凭借 DeepEncoder V2 核心技术，让 AI 学会像人类一样按 “逻辑因果” 看图，而非机械扫描。在基准测试中，新模型达到 91.09% 的性能，较前代提升 3.73%，同时视觉 token 使用上限降至 1120 个（前代为 1156 个）。这一技术突破或将颠覆传统文档处理模式，开启原生多模态推理新路径。</p>

DeepSeek-OCR 2 重磅发布：AI 学会 “人类视觉逻辑”，以因果流解读图片