国产开源大模型再添重磅更新！DeepSeek 正式发布 OCR 领域新版本 ——DeepSeek-OCR 2，通过全新 DeepEncoder V2 架构，实现视觉编码从 “固定扫描” 到 “语义推理” 的范式突破，在文档识别精度、Token 压缩效率上均大幅提升。作为聚焦 DeepSeek 生态的社区，我们第一时间拆解核心创新与实用价值，带大家直击这场技术升级。
一、核心突破：从 “机械扫描” 到 “理解式阅读”
DeepSeek-OCR 2 的核心革新在于编码器升级，彻底打破传统 OCR 的局限：
-
架构升级：替换原有 CLIP 编码器为轻量级语言模型（Qwen2-500M），引入 “因果流查询” 机制，支持根据图像语义动态重排视觉 Token，不再受从左到右的栅格扫描约束；
-
阅读逻辑优化：通过 “编码器重排 + 译码器解析” 的两级 1D 因果推理，精准还原带表格、公式、多栏布局的复杂文档阅读逻辑，贴合人类自然阅读习惯；
-
效率优势：仅需 256-1120 个视觉 Token 即可覆盖复杂文档页面，显著降低下游 LLM 计算开销，在同类模型中处于极低水平。
二、性能实测：指标与实用双提升
新版本在权威评测与生产环境中均展现出亮眼表现：
-
基准测试：在 OmniDocBench v1.5 评测中综合得分达 91.09%，较前代提升 3.73%，阅读顺序识别的逻辑性大幅增强；
-
生产优化：在线用户日志场景中，识别重复率从 6.25% 降至 4.17%；PDF 批量处理场景中，重复率从 3.69% 降至 2.88%，实用性显著提升；
-
对比优势：在相同 1120 视觉 Token 预算下，文档解析编辑距离优于 Gemini-3 Pro，兼顾压缩效率与识别精度。
三、技术细节：架构设计与训练逻辑
1. 核心架构
延续 “编码器 + 解码器” 框架，重点升级 DeepEncoder V2：
-
视觉分词器：由 8000 万参数 SAM-base 与两层卷积层组成，输出维度优化为 896，适配后续流程；
-
双流注意力机制：视觉 Token 采用双向注意力保障全局建模，因果流查询采用因果注意力实现语义排序，仅查询 Token 输出至解码器；
-
解码器沿用：保持 30 亿参数 MoE 结构，推理时仅激活约 5 亿参数，平衡性能与效率。
2. 训练流程
分三阶段完成训练，保障模型效果：
-
编码器预训练：让视觉分词器与 LLM 风格编码器掌握特征提取、Token 压缩与重排能力；
-
查询增强：联合优化编码器与解码器，强化 Token 重排与视觉知识压缩；
-
解码器专门化：冻结编码器，仅优化解码器，提升数据吞吐量。
四、应用价值与未来潜力
DeepSeek-OCR 2 的发布，不仅优化了现有 OCR 使用体验，更具备长远技术价值：
-
核心应用：适配在线 OCR 服务与批量 PDF 处理场景，为 DeepSeek-LLM 提供高效图像 / 文档读取能力；
-
未来方向：为全模态编码器构建提供可行路径，有望实现声音、视频等多模态数据的统一处理；
-
改进空间：当前在文本密集型报纸类文档识别上仍有提升空间，可通过增加局部裁剪数量、扩充训练数据优化。
作为始终坚持开源的国产大模型代表，DeepSeek 此次更新再次展现了技术深耕的实力。DeepSeek-OCR 2 已开源模型与技术报告，欢迎开发者前往 Github 与 Hugging Face 获取资源，探索更多应用场景。你对这款新模型有哪些期待？欢迎在评论区分享你的使用计划与见解！