DeepSeek再夺榜首：创新「因果流」视觉推理技术，性能超越Gemini
【导读】DeepSeek推出开源模型DeepSeek-OCR2，其核心亮点是引入了全新的DeepEncoder V2视觉编码器。该架构突破了传统模型固定从左上到右下扫描图像的局限，转而模仿人类视觉的「因果流（Causal Flow）」逻辑进行信息处理。
DeepSeek又带来了新动态！
此次是DeepSeek-OCR模型的重大升级版本：DeepSeek-OCR2。
大家是否还记得上一代DeepSeek-OCR？就是那个以视觉方式实现极致压缩的模型。
这一次，DeepSeek更进一步，对视觉编码器进行了优化，提出了全新的DeepEncoder V2架构，推动视觉编码实现从「固定扫描」到「语义推理」的范式革新！
DeepSeek-OCR2不仅能像人类一样按照逻辑顺序阅读复杂文档，还在多项基准测试中刷新了SOTA成绩。
按照DeepSeek的一贯风格，相关的论文、代码和模型已全部开源！
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的核心创新点在于，通过DeepEncoder V2为模型赋予了因果推理能力（Causal Reasoning）。
这相当于给机器植入了「人类的阅读逻辑」，让AI不再机械地从左上到右下扫描图像，而是能够根据内容语义灵活调整阅读顺序。
DeepSeek-OCR2：开启视觉因果流时代
DeepSeek在论文中提到，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，也就是固定地从左到右、从上到下进行扫描。
这种方式会强行将二维图像压缩成一维序列，从而忽略了图像内部的语义结构。
这显然与人类的视觉习惯不符。
人类在查看图片或阅读文档时，目光会随着逻辑流动：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阅读。
为解决这一问题，DeepSeek-OCR2引入了DeepEncoder V2。
它最显著的特点是用轻量级大语言模型Qwen2-0.5B替代了原本的CLIP编码器，并设计了独特的「因果流查询」（Causal Flow Query）机制。
DeepEncoder V2架构解析
DeepEncoder V2主要由两部分构成：
1. 视觉分词器（Vision Tokenizer）
延续了SAM-base（80M参数）搭配卷积层的设计，可将图像转换为视觉Token。
2. 作为视觉编码器的LLM
这里DeepSeek采用了Qwen2-0.5B模型。
该模型不仅能处理视觉Token，还引入了一组可学习的「查询Token」（Query Tokens）。
关键的创新之处在于注意力掩码（Attention Mask）的设计：
视觉Token之间采用双向注意力（Bidirectional Attention），保留了全局感知能力，与ViT类似。
而查询Token则采用因果注意力（Causal Attention），每个查询Token只能关注到它之前的Token。
通过这样的设计，DeepEncoder V2实现了两级级联的因果推理：
编码器借助可学习的查询对视觉Token进行语义重排，之后的LLM解码器在这个有序序列上进行自回归推理。
这意味着DeepSeek-OCR2在编码阶段就已经将图像中的信息「梳理通顺」，而非直接一股脑地传递给解码器。
Token数量减少，识别精度提升
实验数据表明，DeepSeek-OCR2在保持高压缩率的同时，性能得到了显著提升。
在OmniDocBench v1.5基准测试中，DeepSeek-OCR2使用最少的视觉Token（仅256-1120个），综合得分达到91.09%，相比上一代提升了3.73%。
值得注意的是，在阅读顺序（R-order）的编辑距离（Edit Distance）指标上，DeepSeek-OCR2从上一代的0.085大幅降至0.057。
这直接证明了新模型在处理复杂版面时逻辑性更强，更能理解「阅读顺序」。
与Gemini-3 Pro等闭源强模型对比时，DeepSeek-OCR2也表现出色。
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）。
DeepSeek-OCR2不仅在测试中表现优异，在实际生产环境中也具备很强的实用性。
DeepSeek透露，在处理在线用户日志图像时，OCR结果的重复率从6.25%降至4.17%；在PDF数据生产场景中，重复率从3.69%降至2.88%。
这表明模型生成的文本更加精准、整洁，对于LLM训练数据的清洗流水线具有重要价值。
向真正的多模态统一迈进
DeepSeek在论文结尾提到，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OCR模型的一次升级，更是迈向原生多模态（Native Multimodality）的关键一步。
未来，同一编码器只需配备不同的模态查询嵌入（Query Embeddings），就能处理文本、图片、音频等多种模态数据，真正实现万物皆可Token、万物皆可因果推理。
DeepSeek表示，尽管目前光学文本识别（OCR）是LLM时代最实用的视觉任务之一，但这只是视觉理解领域的一小部分。
DeepSeek将继续探索，朝着更通用的多模态智能方向发展。
参考资料：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
本文来自微信公众号“新智元”，编辑：定慧 好困，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com