来源：新智元
编辑：定慧 好困
【导读】DeepSeek开源DeepSeek-OCR2，引入了全新的DeepEncoder V2视觉编码器。该架构打破了传统模型按固定顺序（从左上到右下）扫描图像的限制，转而模仿人类视觉的「因果流（Causal Flow）」逻辑。
DeepSeek又双叒叕更新了！
这次是DeepSeek-OCR模型的重磅升级：DeepSeek-OCR2。
还记得上一代DeepSeek-OCR吗？那个用视觉方式压缩一切的模型。
这一次，DeepSeek更进一步，对视觉编码器下手了，提出了一种全新的DeepEncoder V2架构，实现了视觉编码从「固定扫描」向「语义推理」的范式转变！
DeepSeek-OCR2不仅能像人类一样按逻辑顺序阅读复杂文档，还在多项基准测试中刷新了SOTA。
当然，按照DeepSeek的惯例，Paper、Code、Model全开源！
项目地址：
https://github.com/deepseek-ai/DeepSeek-OCR-2
模型下载：
https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
论文地址：
https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf
DeepSeek-OCR2的核心创新在于通过DeepEncoder V2，赋予了模型因果推理能力（Causal Reasoning）。
这就像是给机器装上了「人类的阅读逻辑」，让AI不再只是死板地从左上到右下扫描图像，而是能根据内容语义灵活调整阅读顺序。
DeepSeek-OCR2
视觉因果流
DeepSeek在论文中指出，传统的视觉语言模型（VLM）通常采用光栅扫描（Raster-Scan）顺序处理图像，即固定地从左到右、从上到下。
这种方式强行将2D图像拍扁成1D序列，忽略了图像内部的语义结构。
这显然与人类的视觉习惯背道而驰。
人类在看图或阅读文档时，目光是随着逻辑流动的：先看标题，再看正文，遇到表格会按列或按行扫视，遇到分栏会自动跳跃。
为了解决这个问题，DeepSeek-OCR2引入了DeepEncoder V2。
它最大的特点是用一个轻量级的大语言模型（Qwen2-0.5B）替换了原本的CLIP编码器，并设计了一种独特的「因果流查询」（Causal Flow Query）机制。
DeepEncoder V2架构详解
DeepEncoder V2主要由两部分组成：
1. 视觉分词器（Vision Tokenizer）
沿用了SAM-base（80M参数）加卷积层的设计，将图像转换为视觉Token。
2. 作为视觉编码器的LLM
这里DeepSeek使用了一个Qwen2-0.5B模型。
它不仅处理视觉Token，还引入了一组可学习的「查询Token」（Query Tokens）。
关键的创新点在于注意力掩码（Attention Mask）的设计：
视觉Token之间采用双向注意力（Bidirectional Attention），保持全局感知能力，类似于ViT。
而查询Token则采用因果注意力（Causal Attention），每一个查询Token只能看到它之前的Token。
通过这种设计，DeepEncoder V2实现了两级级联的因果推理：
编码器通过可学习的查询对视觉Token进行语义重排，随后的LLM解码器则在这个有序序列上进行自回归推理。
这意味着，DeepSeek-OCR2在编码阶段就已经把图像里的信息「理顺」了，而不是一股脑地扔给解码器。
Token更少，精度更高
实验数据显示，DeepSeek-OCR2在保持极高压缩率的同时，性能显著提升。
在OmniDocBench v1.5基准测试中，DeepSeek-OCR2在使用最少视觉Token（仅256-1120个）的情况下，综合得分高达91.09%，相比前代提升了3.73%。
特别值得一提的是，在阅读顺序（R-order）的编辑距离（Edit Distance）指标上，DeepSeek-OCR2从前代的0.085显著降低到了0.057。
这直接证明了新模型在处理复杂版面时，逻辑性更强，更懂「阅读顺序」。
在和Gemini-3 Pro等闭源强模型的对比中，DeepSeek-OCR2也丝毫不落下风。
在均使用约1120个视觉Token的情况下，DeepSeek-OCR2的文档解析编辑距离（0.100）优于Gemini-3 Pro（0.115）。
不仅是刷榜，DeepSeek-OCR2在实际生产环境中也非常能打。
DeepSeek披露，在处理在线用户日志图像时，OCR结果的重复率从6.25%降到了4.17%；在PDF数据生产场景中，重复率从3.69%降到了2.88%。
这意味着模型生成的文本更加干净、准确，对于作为LLM训练数据的清洗流水线来说，价值巨大。
迈向真正的多模态统一
DeepSeek在论文最后提到，DeepSeek-OCR2通过DeepEncoder V2验证了「LLM作为视觉编码器」的可行性。
这不仅是一个OCR模型的升级，更是迈向原生多模态（Native Multimodality）的重要一步。
未来，同一个编码器只要配备不同的模态查询嵌入（Query Embeddings），就能处理文本、图片、音频等多种模态的数据，真正实现万物皆可Token，万物皆可因果推理。
DeepSeek表示，虽然目前光学文本识别（OCR）是LLM时代最实用的视觉任务之一，但这只是视觉理解宏大图景的一小部分。
DeepSeek将继续探索，向着更通用的多模态智能进发。
参考资料：
https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”
https://wx.zsxq.com/group/454854145828
未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。
