1 月 27 日，DeepSeek 正式开源新一代视觉语言模型DeepSeek-OCR 2。这款专为 OCR 场景深度定制的模型，首次在视觉编码器中引入视觉因果流机制，让机器彻底告别机械扫描模式，像人类一样具备语义理解能力，可根据文档内容逻辑结构动态重排信息。在权威基准测试 OmniDocBench v1.5 中，DeepSeek-OCR 2 以 91.09 分的综合得分领跑业界，阅读顺序编辑距离大幅降至 0.057，生产环境重复率也显著下降，实现了文档识别领域的实质性突破。
01 传统 OCR 的致命短板：被 “直线诅咒” 困住的机械扫描
长期以来，传统视觉语言模型在处理图像时，都摆脱不了 “直线诅咒” 的桎梏。它们的工作模式就像一台盲目的割草机，从文档左上角出发，沿着固定的 Z 字型路径逐行扫描。
这种方式会将图像切碎成一个个视觉 Token，再单纯按照物理坐标传递给后台大模型。这种复印机式的僵化逻辑，在处理简单纯文本文档时尚能勉强应付。
可一旦遇到复杂现代文档，比如带有双栏排版、跨栏表格、不规则公式的学术论文，就会漏洞百出。传统模型读完左栏第一行后，会直接跳到右栏第一行，完全无视文本本身的语义流向，最终导致识别结果逻辑断裂、信息错位。
02 核心破局方案：DeepEncoder V2 + 视觉因果流，赋予模型 “阅读智慧”
DeepSeek-OCR 2 的核心杀手锏，是自研编码器DeepEncoder V2与视觉因果流机制的组合，这相当于给模型配备了一位资深阅读向导。
-
两步走的智能阅读逻辑
-
全局扫描定布局：DeepEncoder V2 先通过双向注意力机制完成全局扫描，就像向导快速浏览整页文档，摸清标题、条款、表格、公式的分布位置。
-
因果推理排顺序：再通过可学习的因果流查询，用因果注意力机制建立语义顺序。如同向导根据内容逻辑规划阅读路径，先读总则再看条款，先看表头再读表格数据。
这种双向与因果注意力的协同工作，能精准动态重排视觉 token，填补 2D 图像与 1D 语言之间的逻辑鸿沟。
-
-
架构升级实现高效低耗
-
模型用 Qwen2-0.5B 这类大语言模型架构，替代了传统 CLIP 组件，相当于把只会认字形的识字员，换成了懂语义的理解者。
-
同时将视觉 token 数量控制在 256-1120 之间，与 Gemini-3 Pro 持平，实现了高性能与低计算开销的平衡。
-
-
解码器端的精准转化能力
解码器延续编解码架构并搭载 MoE 混合专家语言模型，好比给向导配备了专业翻译团队。当视觉因果流把梳理好的信息传回解码器时，MoE 架构会自动激活匹配的专家模型：擅长解析公式的专家处理微积分内容，精通排版的专家处理嵌套表格。经过 300B Tokens 大规模数据训练，DeepEncoder V2 能将杂乱的像素堆砌，转化成逻辑清晰的因果长卷。
03 实战成绩：多项指标全面领跑，碾压同类模型
底层架构的革新，直接转化为了亮眼的实战数据。在严苛的 OmniDocBench v1.5 测试中，DeepSeek-OCR 2 展现出碾压级优势：
-
综合得分一骑绝尘：以 91.09 分的综合得分位居榜首，远超一众主流 OCR 模型。
-
阅读顺序精准度飙升：阅读顺序编辑距离从之前的 0.085 降至 0.057，面对复杂排版文档时，几乎不会再出现跳行、乱序的低级错误。
-
生产环境鲁棒性增强：实际应用中的重复识别率从 6.25% 下降到 4.17%，大幅降低了下游任务的处理负担。
04 技术延伸：开启多模态统一架构新思路
DeepSeek-OCR 2 的创新价值，不止于文档识别领域。它 “语言模型作为视觉编码器” 的设计思路，为多模态模型的统一架构提供了全新方向。
通过为不同模态配置特定的可学习查询，单一编码器未来或许就能处理图像、文本、音频等多种类型数据。这一突破，有望推动模型从 “简单融合多模态”，迈向真正的 “原生多模态” 阶段。