1 月 27 日，DeepSeek 团队发布《DeepSeek-OCR 2: Visual Causal Flow》论文，并同步开源 DeepSeek-OCR 2 模型。这是对去年 10 月发布的 DeepSeek-OCR 模型的重大升级，通过引入全新的 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。
传统 OCR 的困境：机械扫描遇上复杂文档
想象一下，你正在阅读一篇充满表格、公式和多栏排版的学术论文。作为人类，你的眼睛会自然地跟随内容的逻辑顺序——先看标题，然后是摘要，接着根据段落结构、图表位置和语义关联进行跳跃式阅读。这种阅读方式是基于对内容的理解，而非简单的从左到右、从上到下的机械扫描。
但传统的 OCR（光学字符识别）技术却不是这样工作的。它们采取的是一种近似“复印机”的策略：将图像切割成网格，然后按照固定的栅格顺序识别文字。这种方式在处理简单文档时尚可应付，但一旦面对复杂的学术论文、财务报表或技术手册时，输出的文本往往逻辑混乱，丢失了内容之间内在的语义关联。
在传统视觉语言模型中，图像会被切分为若干视觉 token，并按照从左上到右下的固定顺序送入模型处理。这种设计虽然实现简单，但与人类基于语义和逻辑关系进行阅读的方式存在本质差异。特别是在版式复杂的文档场景中，视觉元素之间往往存在明确的逻辑先后关系，仅依赖空间顺序会严重限制模型对内容结构的理解能力。
DeepSeek-OCR 2 的出现，正是为了解决这个根本性问题。
视觉因果流：赋予 AI 人类的阅读逻辑
DeepSeek-OCR 2 的核心创新在于提出了“Visual Causal Flow”（视觉因果流）这一全新的编码范式。研究团队不再满足于让模型“看见”文字，而是致力于让它像人类一样，先“理解”文档的视觉结构与内容逻辑，再“讲述”出文本。
这种转变是如何实现的？答案在于全新的 DeepEncoder V2 架构。研究团队将原本基于 CLIP 的编码器替换为轻量级语言模型（Qwen2-500M），并引入了具有因果注意力机制的“因果流查询 token”。这种设计打破了传统模型必须按栅格顺序处理图像的限制，赋予了编码器根据图像语义动态重排视觉 token 的能力。
具体来说，DeepEncoder V2 同时包含双向注意力与因果注意力两种处理模式。原始视觉信息通过双向注意力进行全局感知，就像人类在阅读前先整体浏览页面一样；而新增的查询标记则通过因果注意力逐步建立语义顺序，在编码阶段对视觉 token 进行动态重排。这就像是为机器装上了“人类的阅读逻辑”，让 AI 不再只是生搬硬套地扫描图像。
通过这种两级级联的 1D 因果推理结构（编码器重排与解码器解析），模型能够更精准地还原复杂文档的自然阅读逻辑。无论是带有表格、公式还是多栏布局的文档，DeepSeek-OCR 2 都能按照内容的语义关联而非空间位置来组织输出，使得识别结果更加符合人类的理解方式。
性能突破：在多个维度全面提升
理论创新需要实际性能的验证。在权威的综合性文档理解基准 OmniDocBench v1.5 上，DeepSeek-OCR 2 交出了一份亮眼的成绩单。
该基准涵盖多种类型的中英文文档，包括学术论文、杂志、报告等，重点考察文本识别、公式解析、表格结构还原以及阅读顺序等指标。测试结果显示，在视觉 token 上限更低的情况下，DeepSeek-OCR 2 的整体得分达到 91.09%，相较前代 DeepSeek-OCR 提升了 3.73%。与其他端到端的 OCR 模型相比，这已经是 SOTA(State-of-the-Art）级别的成绩。
更值得关注的是阅读顺序准确度的提升。在衡量阅读顺序的 R-order 指标上（该指标为模型输出顺序与标准顺序之间的标准化编辑距离，数值越低越好）, DeepSeek-OCR 2 的编辑距离从 0.085 降至 0.057，性能提升约 33%。这表明新模型能够更合理地理解文档内容结构，输出的文本逻辑顺序更加准确。
在实际应用中，这种提升带来了显著的效果改善。在线用户日志图像的重复率从 6.25% 降至 4.17%，批处理 PDF 数据的重复率从 3.69% 降至 2.88%。这些数据证明，DeepSeek-OCR 2 在复杂文档场景中展现出了更强的结构理解能力和运行稳定性。
同时，在相似的视觉 token 预算下，DeepSeek-OCR 2 在文档解析方面的编辑距离低于 Gemini-3 Pro。这证明 DeepSeek-OCR 2 在确保优越性能的同时，保持了视觉 token 的高压缩率，实现了效率与质量的双重优化。
技术架构：优雅而高效的设计
在整体架构上，DeepSeek-OCR 2 沿用了编码器-解码器的基本范式，但在关键环节进行了精心的优化。
图像首先经过一个视觉 tokenizer，被压缩为较少数量的视觉 token。这些 token 随后进入 DeepEncoder V2 进行语义建模和顺序重组。在这个阶段，编码器不仅要“看懂”图像内容，还要根据语义关联对视觉信息进行智能排序。最后，经过因果重排的查询 token 被送入基于混合专家架构（MoE）的语言模型解码器，生成最终的识别结果。
这种设计的巧妙之处在于，它在不显著增加解码负担的前提下，将单页文档所使用的视觉 token 数量控制在合理范围内。通过在编码阶段就完成语义理解和顺序重排，解码器可以专注于生成高质量的文本输出，而无需在解码过程中再去推断复杂的文档结构。
DeepEncoder V2 就像一位拥有全局观的阅读者，它先通过双向注意力机制全面感知文档的整体结构，然后通过因果注意力机制逐步建立符合人类阅读习惯的信息流动顺序。这种“先观察全局，再按逻辑阅读”的方式，正是 DeepSeek-OCR 2 能够准确理解复杂文档的关键所在。
应用场景：从学术到产业的广泛价值
DeepSeek-OCR 2 的技术突破为众多实际应用场景带来了新的可能性。
在学术研究领域，研究人员经常需要处理大量包含复杂公式、表格和多栏排版的论文。DeepSeek-OCR 2 能够准确识别这些元素，并按照正确的逻辑顺序输出文本，大大提升了文献数字化和知识提取的效率。
在金融行业，财务报表、审计报告等文档往往包含大量表格和多层级的数据结构。传统 OCR 在处理这类文档时容易出现数据错位和逻辑混乱，而 DeepSeek-OCR 2 通过理解文档的语义结构，能够准确还原这些复杂的数据关系。
在医疗领域，病历、检查报告等文档通常混合了文字描述、数据表格和医学图示。DeepSeek-OCR 2 的多模态理解能力使其能够准确提取这些混合内容，为医疗信息化和智能诊断系统提供高质量的数据支持。
在教育场景中，试卷、教材等文档包含大量数学公式、图表和多样化的排版格式。DeepSeek-OCR 2 能够准确识别这些元素，为在线教育平台、智能批改系统等应用提供可靠的技术基础。
更重要的是，DeepSeek-OCR 2 兼具双重价值：既可以作为新型 VLM（视觉语言模型）架构进行探索性研究，也能作为生成高质量预训练数据的实用工具，服务于大语言模型的训练过程。这使得它不仅是一个优秀的 OCR 工具，更是推动整个 AI 领域发展的重要基础设施。
开源生态：推动文档 AI 的未来
秉承 DeepSeek 一贯的开源理念，DeepSeek-OCR 2 的模型和技术报告已经完全开源，供社区使用和研究。
这次开源不仅为开发者提供了一个强大的 OCR 工具，更重要的是，它展示了一种全新的视觉编码范式。“视觉因果流”的概念和 DeepEncoder V2 的架构设计，为视觉语言模型的发展提供了新的思路。研究者可以在此基础上进行更多的探索和创新，推动整个文档 AI 领域向更智能、更符合人类认知方式的方向发展。
结语
从 DeepSeek-OCR 到 DeepSeek-OCR 2，仅仅三个月的时间，DeepSeek 团队就实现了从“视觉压缩”到“语义理解”的重大跨越。这种快速迭代的背后，是对技术本质的深刻洞察和对用户需求的精准把握。
DeepSeek-OCR 2 通过引入视觉因果流和 DeepEncoder V2 架构，让 AI 真正学会了像人类一样阅读文档——不是机械地扫描每一个像素，而是理解内容的语义结构，按照逻辑顺序组织信息。这种范式的转变，不仅提升了 OCR 的准确性和可用性，更为视觉语言模型的发展开辟了新的方向。
对于需要处理大量复杂文档的企业和研究机构来说，DeepSeek-OCR 2 提供了一个高效、准确、开源的解决方案。对于 AI 研究者来说，它展示了一种将人类认知方式融入机器学习模型的成功范例。
这或许只是开始。随着视觉因果流技术的进一步发展和应用，我们有理由期待，未来的 AI 系统将能够更加自然、更加智能地理解和处理视觉信息，真正成为人类认知能力的延伸。
社区地址
OpenCSG社区：https://opencsg.com/models/deepseek-ai/DeepSeek-OCR-2 hf社区：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
社区地址
hf社区：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
关于 OpenCSG
OpenCSG 是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps" data-itemshowtype="0" linktype="text" data-linktype="2">AgenticOps是人工智能领域的一种AI原生方法论，由OpenCSG（开放传神）提出。AgenticOps是Agentic AI的最佳落地实践也是方法论。核心产品 CSGHub 提供模型、数据集、代码与 AI 应用的 一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。
更多推荐
