<p>DeepSeek 發佈新一代光學字符識別系統，通過讓 AI 以類似人類的邏輯順序理解圖像，在視覺識別領域實現技術突破。這一進展可能重塑文檔處理、圖表分析等依賴複雜視覺理解的應用場景。</p>
<p>27 日，DeepSeek 發佈了 DeepSeek-OCR 2 系統。該系統採用名為 DeepEncoder V2 的新方法，使 AI 能夠像人類一樣按照邏輯順序 “看” 圖像。這項技術的核心創新在於改變了傳統 AI 處理圖像的方式。<strong>DeepEncoder V2 讓 AI 基於圖像含義動態重新排列圖像片段，而非傳統的從左到右剛性掃描。</strong>這種方法模仿了人類追隨場景邏輯流的方式。</p>
<p>根據 DeepSeek 公佈的技術報告，DeepSeek-OCR 2 在多項關鍵指標上展現出顯著優勢。在 OmniDocBench v1.5 基準測試中，該模型取得了 91.09% 的成績，相較於前代 DeepSeek-OCR 提升了 3.73%。</p>
<p>值得注意的是，該模型在保持極高精度的同時，嚴格控制了計算成本，<strong>其視覺 Token 數量被限制在 256 至 1120 之間，這一上限與 Google 的 Gemini-3 Pro 保持一致。</strong> 在實際生產環境中，該模型在處理在線用户日誌和 PDF 預訓練數據時的重複率分別下降了 2.08% 和 0.81%，顯示出極高的實用成熟度。</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">模擬人類視覺的 “因果流” 邏輯</h2>
</div>
<p>根據 DeepSeek 公佈的技術報告，現有的視覺語言模型（VLMs）通常採用固定的光柵掃描順序（光柵掃描順序）處理圖像切片，即機械地從左上角掃描至右下角。DeepSeek 團隊指出，這種方式引入了不必要的歸納偏差，與人類視覺感知背道而馳。 人類在閲讀複雜文檔、表格或追蹤螺旋線條時，視線是受語義理解驅動的 “因果流”，後一次注視往往因果依賴於前一次注視，而非單純的空間座標移動。</p>
<p>受此認知機制啓發，DeepSeek-OCR 2 的核心組件 DeepEncoder V2 被設計用於賦予編碼器因果推理能力。<strong>通過引入可學習的 “因果流查詢”（Causal Flow Queries），模型能夠在進入 LLM 解碼器進行內容解釋之前，先在編碼階段就對視覺信息進行智能重排序。</strong>這實際上構建了一個兩級級聯的 1D 因果推理結構：首先由編碼器在語義上重組視覺 Token，隨後由解碼器對有序序列進行自迴歸推理。 這種設計不僅符合光學文本、表格和公式的非線性佈局特徵，還有效彌補了 2D 圖像結構與 1D 語言建模之間的鴻溝。</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">棄用 CLIP 架構，轉向 LLM 式編碼器</h2>
</div>
<p>DeepEncoder V2 在架構上實施了重大變革，將 DeepEncoder 中原有的 CLIP 組件替換為緊湊的 LLM 式架構（具體為 Qwen2-0.5B）。為了實現並行處理，新架構引入了一組可學習的查詢向量，<strong>稱為 “因果流 Token”，</strong>並將原始視覺 Token 作為前綴拼接到序列中。</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>該架構採用了一種定製化的注意力掩碼（Attention Mask）策略：</p>
<blockquote>
<ul>
<li>視覺 Token 部分：保留雙向注意力機制，確保模型能夠像 CLIP 一樣擁有全局感受野，捕捉圖像的整體特徵。</li>
<li>因果流 Token 部分：採用因果注意力機制（類似 Decoder-only LLM），每個查詢 Token 只能關注之前的 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>通過這種設計，視覺 Token 保持了信息的全局交互，而因果流 Token 則獲得了重排序視覺信息的能力。DeepSeek-OCR 2 採用了多裁剪策略（Multi-crop strategy），<strong>根據圖像分辨率不同，最終輸入 LLM 的重排序視覺 Token 總數在 256 到 1120 之間。</strong>這一數量級顯著低於部分競品高達 6000 以上的 Token 消耗，在保證高性能的同時大幅降低了計算開銷。</p>
<div>
<h2 id="7cffad2e">性能顯著提升與生產環境驗證</h2>
</div>
<p>在 OmniDocBench v1.5 的綜合評估中，DeepSeek-OCR 2 表現優異。數據顯示，在同樣的訓練數據源下，<strong>新模型相較於 DeepSeek-OCR 基線模型取得了 3.73% 的性能提升。</strong>特別是在閲讀順序（Reading Order）的編輯距離（Edit Distance）指標上，DeepSeek-OCR 2 從 0.085 顯著降低至 0.057，這直接驗證了 DeepEncoder V2 在邏輯重排序方面的有效性。</p>
<p>除了基準測試，DeepSeek 還披露了該模型在實際生產管線中的表現。DeepSeek-OCR 2 主要服務於 DeepSeek-LLMs 的在線 OCR 服務及 PDF 預訓練數據處理。在沒有真值（Ground Truth）的生產環境中，重複率（Repetition Rate）是衡量質量的核心指標。數據顯示，在處理在線用户日誌圖像時，DeepSeek-OCR 2 將重複率從 6.25% 降低至 4.17%;在 PDF 數據生產中，重複率從 3.69% 降至 2.88%。這表明新模型在生成高質量、低冗餘的文本數據方面具備極高的實用價值。</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">通向原生多模態與真正的 2D 推理</h2>
</div>
<p>DeepSeek-OCR 2 的發佈不僅是一次 OCR 性能的升級，更具有深遠的架構探索意義。DeepEncoder V2 初步驗證了使用語言模型架構作為視覺編碼器的潛力。這種架構天然繼承了 LLM 社區在基礎設施優化方面的成果，如混合專家（MoE）架構和高效注意力機制。</p>
<p><strong>DeepSeek 團隊認為，這為邁向統一的全模態編碼器提供了一條有希望的路徑。</strong>未來，單一編碼器可能通過配置特定模態的可學習查詢，在同一參數空間內實現對圖像、音頻和文本的特徵提取與壓縮。DeepSeek-OCR 2 所展示的 “兩個級聯的 1D 因果推理器” 模式，通過將 2D 理解分解為 “閲讀邏輯推理” 和 “視覺任務推理” 兩個互補子任務，或許代表了實現真正 2D 推理的一種突破性架構方法。</p>

深度求索

<p>DeepSeek 發佈 OCR 2 新系統，憑藉 DeepEncoder V2 核心技術，讓 AI 學會像人類一樣按 “邏輯因果” 看圖，而非機械掃描。在基準測試中，新模型達到 91.09% 的性能，較前代提升 3.73%，同時視覺 token 使用上限降至 1120 個（前代為 1156 個）。這一技術突破或將顛覆傳統文檔處理模式，開啓原生多模態推理新路徑。</p>

DeepSeek-OCR 2 重磅發佈：AI 學會 “人類視覺邏輯”，以因果流解讀圖片