DeepSeek-OCR2震撼发布：DeepEncoder V2模拟人类视觉，重定义文档识别新高度

【导读】DeepSeek 团队正式开源了 DeepSeek-OCR2，该模型的核心突破在于引入了创新的 DeepEncoder V2 视觉编码架构。这一设计彻底颠覆了传统模型按固定路径（从左上到右下）扫描图像的局限，转而深度模拟人类视觉的「因果流（Causal Flow）」逻辑。

DeepSeek 的技术迭代速度再次令人惊叹！

本次发布的 DeepSeek-OCR2 是对其视觉识别能力的重磅升级，标志着文档解析技术的新里程碑。

回顾上一代 DeepSeek-OCR，它凭借卓越的视觉压缩能力在行业内崭露头角。

而这一次，DeepSeek 团队对视觉编码层进行了底层重构，通过全新的 DeepEncoder V2 架构，实现了从「死板扫描」到「语义推理」的范式跨越！

DeepSeek-OCR2 不仅能够像人类一样遵循逻辑顺序解析复杂文档，更在多项权威基准测试中刷新了 SOTA 纪录。此外，DeepSeek 依然坚守开源精神，论文、代码及模型权重已全部对外开放。

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 的核心竞争力源于 DeepEncoder V2 赋予模型的「因果推理能力（Causal Reasoning）」。

这种机制如同为 AI 装上了人类的阅读逻辑：机器不再盲目地从左到右扫描像素，而是能根据内容的语义结构，灵活地调整信息的摄取与处理顺序。

核心技术：视觉因果流的深度解析

在技术论文中，DeepSeek 指出传统的视觉语言模型（VLM）通常依赖光栅扫描（Raster-Scan）模式。这种强行将二维图像拉伸为一维序列的做法，往往会割裂图像固有的语义联系。

这种模式显然与人类的阅读习惯不符。我们在阅读时，视线会随逻辑自由跳动：锁定标题、略读正文、横向比对表格或纵向跨越分栏。

为了攻克这一难题，DeepEncoder V2 架构应运而生。它创新性地采用轻量级语言模型 Qwen2-0.5B 替代了传统的 CLIP 编码器，并构建了独有的「因果流查询（Causal Flow Query）」机制。

DeepEncoder V2 架构深度拆解

DeepEncoder V2 架构主要由以下两大模块构成：

1. 视觉分词组件（Vision Tokenizer）

基于 SAM-base（80M参数）结合卷积层，高效地将原始图像信号转化为视觉 Token。

2. 基于 LLM 的视觉编码器

通过引入 Qwen2-0.5B，模型不仅处理视觉 Token，还利用一组可学习的「查询 Token（Query Tokens）」来提取关键信息。

其最显著的突破在于注意力掩码（Attention Mask）的设计：

视觉 Token 之间保留双向注意力以维持全局视野；而查询 Token 则遵循因果注意力，形成级联推理链。这种设计确保模型在编码阶段就完成了信息的「逻辑重组」，从而大幅减轻了解码器的负担。

高效低耗：Token 数量减少，精度大幅提升

实验数据表明，DeepSeek-OCR2 在实现极高数据压缩率的同时，性能表现卓越。

在 OmniDocBench v1.5 基准测试中，DeepSeek-OCR2 仅使用 256-1120 个视觉 Token，便取得了 91.09% 的惊人得分，较前代版本提升了 3.73%。

特别是在阅读顺序（R-order）的编辑距离指标上，模型表现从 0.085 优化至 0.057，直观证明了其在处理复杂排版时具备更强的逻辑性。

即便与 Gemini-3 Pro 等顶级闭源模型相比，DeepSeek-OCR2 同样极具竞争力。在同等 Token 规模下，其文档解析的精准度（编辑距离 0.100）优于 Gemini-3 Pro（0.115）。

在实际生产环节，DeepSeek-OCR2 的表现同样抢眼。处理用户日志图像时，OCR 结果的重复率显著降低，PDF 数据处理流程也变得更加纯净高效，这为大规模 LLM 训练数据的清洗提供了巨大的商业价值。

远景：迈向原生多模态的统一

通过 DeepSeek-OCR2 及其 DeepEncoder V2 架构，团队成功验证了「LLM 担当视觉编码器」的巨大潜力。这不仅是 OCR 技术的进化，更是向原生多模态（Native Multimodality）迈出的关键步伐。

展望未来，同一套编码框架只需配合特定的查询嵌入，即可在文本、图像、音频等多种模态间自由切换。DeepSeek 将继续深耕，致力于实现更通用的多模态人工智能。

参考来源：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2