新智元报道
编辑：定慧好困
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：
