1 月 26 日至 27 日，国内 AI 企业密集发布重磅模型，在视觉理解、多模态融合、推理性能三大维度实现突破 —— 阿里千问刷新全球推理性能纪录，DeepSeek 重构 AI 看图逻辑，月之暗面 Kimi 完善多模态架构，展现国内 AI 技术的强劲迭代势头。
PART.1 DeepSeek 发布新模型，重构 AI 视觉理解逻辑
1 月 27 日，DeepSeek 团队发布全新DeepSeek-OCR 2 模型，并同步开源模型及《DeepSeek-OCR 2: Visual Causal Flow》论文。该模型核心亮点是采用创新的DeepEncoder V2 方法，颠覆传统 AI 处理图像的模式，让 AI 能像人类一样遵循语义逻辑顺序 “观察” 图像，这一技术创新被定义为 “视觉因果流”。
传统视觉语言模型（VLM）普遍采用光栅扫描（Raster-Scan） 方式处理图像，即固定按照 “从左到右、从上到下” 的刚性顺序，强行将二维图像 “拍扁” 为一维序列。这种模式完全忽略了图像内部的语义关联与结构逻辑，无法贴合真实场景的信息传递规律。
而 DeepEncoder V2 方法的核心革新，在于让 AI 基于图像本身的语义含义，动态重排图像片段的处理顺序，而非固守机械的扫描路径。这一设计精准模仿了人类观察场景时 “追随语义逻辑流” 的视觉习惯，从根源上解决了传统模型 “重形式、轻语义” 的处理缺陷。
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 架构深度解析
DeepEncoder V2 作为 DeepSeek-OCR 2 的核心架构，通过 “视觉处理 + 语言模型赋能” 的双模块设计，搭配创新注意力机制，实现了 AI 视觉理解的逻辑革新。其架构细节与技术价值可拆解如下：
核心架构组成
1. 视觉分词器（Vision Tokenizer）
沿用SAM-base（80M 参数）+ 卷积层的经典组合，核心功能是将输入图像转化为可被模型处理的视觉 Token，为后续语义分析奠定基础，兼顾特征提取的准确性与效率。
2. 基于 LLM 的视觉编码器
突破传统视觉编码器的设计思路，DeepSeek 采用Qwen2-0.5B 小型语言模型作为视觉编码器核心。该模块不仅负责处理视觉分词器输出的 Token，更创新性引入一组可学习的查询 Token（Query Tokens） ，为语义排序提供核心支撑，让编码器具备初步推理能力，而非单纯执行特征提取。
关键创新：注意力掩码（Attention Mask）设计
架构的核心突破在于注意力机制的差异化配置，通过 “双向 + 因果” 的组合模式，实现全局感知与顺序推理的兼顾：
- 视觉 Token 间采用双向注意力（Bidirectional Attention） ：借鉴 ViT 架构优势，让每个视觉 Token 都能捕捉全局图像信息，确保对图像整体语义的完整感知，避免局部信息遗漏。
- 查询 Token 采用因果注意力（Causal Attention） ：每个查询 Token 仅能访问前序 Token（含前序查询 Token 与所有视觉 Token），天然形成有序决策链，为图像语义的逻辑排序提供机制保障。
这种设计实现了两级级联因果推理：首先通过可学习查询 Token 对视觉 Token 进行语义重排，将杂乱的视觉信息按逻辑梳理有序；再将整理后的序列传递给 LLM 解码器，进行自回归推理。这意味着模型在编码阶段就完成了信息 “梳理”，而非将原始视觉数据直接传递给解码器，从根源上提升了推理效率与准确性。
性能表现与优势
根据 DeepSeek 公布的技术报告，DeepSeek-OCR 2 依托该架构，在核心基准测试中展现显著竞争力：在OmniDocBench v1.5文档解析基准测试中，综合得分达 91.09%，较前代模型提升 3.73%，不仅验证了架构的有效性，更实现了 OCR 任务性能的跨越式升级。
架构探索的深远意义
DeepEncoder V2 的价值远超单一 OCR 模型的性能优化，为 AI 多模态架构发展提供了重要方向：
- 验证 LLM 作为视觉编码器的潜力：该架构可直接复用 LLM 社区在基础设施优化上的成果（如混合专家 MoE 架构、高效注意力机制），降低多模态模型的研发与优化成本。
- 铺垫全模态统一编码器路径：通过配置模态专属可学习查询 Token，未来单一编码器有望在同一参数空间内，实现对图像、音频、文本等多模态数据的统一特征提取与压缩，为全模态模型提供可行技术路线。
- 突破 2D 推理瓶颈：采用 “两个级联的 1D 因果推理器” 模式，将二维图像理解拆解为 “阅读逻辑推理” 与 “视觉任务推理” 两个互补子任务，为实现真正意义上的 AI 2D 推理，提供了突破性架构思路。
PART.2 阿里、月之暗面同步发力，多模态与推理性能再突破
与 DeepSeek 同日（1 月 27 日），国内 AI 初创公司月之暗面 Kimi 正式发布新一代开源模型 Kimi K2.5；而在前一日（1 月 26 日）晚间，阿里巴巴也推出千问旗舰推理模型Qwen3-Max-Thinking，两大厂商分别在多模态融合与极致推理性能上实现突破，与 DeepSeek 形成国内 AI 技术迭代的密集爆发态势。
月之暗面 Kimi K2.5：原生多模态开源模型，静默升级优化体验
Kimi K2.5 以静默推送方式完成全量更新，官网聊天界面原 K2 模型已无缝切换至 K2.5 版本，无需用户手动操作、无需下载安装包，仅通过服务端模型替换实现落地，全面覆盖所有 Web 端用户。此次升级核心聚焦三大维度：提升响应速度、强化推理能力、优化多轮对话稳定性，进一步夯实其 “Kimi 当前最智能模型” 的定位。
作为全能型开源模型，Kimi K2.5 的核心优势的是原生多模态架构设计—— 无需额外插件适配，即可同时支持视觉与文本输入，将视觉理解、逻辑推理、代码编程、Agent 自主交互等能力深度集成于单一模型，实现多任务场景的端到端处理。性能层面，该模型在 HLE（人类最后的考试）、BrowseComp、DeepSearchQA 等多项 Agent 核心评测中，均斩获全球开源模型最佳成绩，印证了其综合能力的领先性。
Kimi 创始人、CEO 杨植麟表示，此次升级的关键在于技术底层优化：“我们重构了强化学习基建，针对性优化训练算法，以此确保模型达到极致的效率与性能平衡。”
阿里 Qwen3-Max-Thinking：刷新全球推理纪录，万亿参数赋能复杂任务
阿里千问新模型 Qwen3-Max-Thinking 以 “突破推理性能边界” 为核心，在多项关键基准测试中，大幅超越GPT-5.2、Claude Opus 4.5、Gemini 3 Pro等国际顶尖模型，刷新全球推理性能纪录，覆盖科学知识、数学推理、代码编程三大核心领域。具体来看，其在 GPQA Diamond（科学知识）、IMO-AnswerBench（数学推理）、LiveCodeBench（代码编程）等权威测试中均登顶榜首，展现出极致的综合推理实力。
该模型的性能飞跃源于三重技术突破：一是总参数超万亿，实现规模级扩展；二是经过更大规模强化学习后训练，夯实能力底座；三是创新采用测试时扩展（Test-time Scaling）机制，在提升推理性能的同时，兼顾成本经济性，实现高效与经济的平衡。
此外，Qwen3-Max-Thinking 还大幅强化了原生 Agent 工具调用能力，可像专业人士一样 “边用工具边思考”，同时显著降低模型幻觉率，为解决真实场景中的复杂任务提供可靠支撑。目前，普通用户可通过千问 PC 端、网页端免费试用该模型，千问 APP 也即将完成接入，实现全端覆盖。