DeepSeek發(fā)布新一代光學(xué)字符識(shí)別系統(tǒng)，通過(guò)讓AI以類(lèi)似人類(lèi)的邏輯順序理解圖像，在視覺(jué)識(shí)別領(lǐng)域?qū)崿F(xiàn)技術(shù)突破。這一進(jìn)展可能重塑文檔處理、圖表分析等依賴(lài)復(fù)雜視覺(jué)理解的應(yīng)用場(chǎng)景。

27日，DeepSeek發(fā)布了DeepSeek-OCR 2系統(tǒng)。該系統(tǒng)采用名為DeepEncoder V2的新方法，使AI能夠像人類(lèi)一樣按照邏輯順序“看”圖像。這項(xiàng)技術(shù)的核心創(chuàng)新在于改變了傳統(tǒng)AI處理圖像的方式。DeepEncoder V2讓AI基于圖像含義動(dòng)態(tài)重新排列圖像片段，而非傳統(tǒng)的從左到右剛性掃描。這種方法模仿了人類(lèi)追隨場(chǎng)景邏輯流的方式。

根據(jù)DeepSeek公布的技術(shù)報(bào)告，DeepSeek-OCR 2在多項(xiàng)關(guān)鍵指標(biāo)上展現(xiàn)出顯著優(yōu)勢(shì)。在OmniDocBench v1.5基準(zhǔn)測(cè)試中，該模型取得了91.09%的成績(jī)，相較于前代DeepSeek-OCR提升了3.73%。

值得注意的是，該模型在保持極高精度的同時(shí)，嚴(yán)格控制了計(jì)算成本，其視覺(jué)Token數(shù)量被限制在256至1120之間，這一上限與Google的Gemini-3 Pro保持一致。在實(shí)際生產(chǎn)環(huán)境中，該模型在處理在線用戶(hù)日志和PDF預(yù)訓(xùn)練數(shù)據(jù)時(shí)的重復(fù)率分別下降了2.08%和0.81%，顯示出極高的實(shí)用成熟度。

DeepSeek-OCR 2重磅發(fā)布

模擬人類(lèi)視覺(jué)的“因果流”邏輯

根據(jù)DeepSeek公布的技術(shù)報(bào)告，現(xiàn)有的視覺(jué)語(yǔ)言模型（VLMs）通常采用固定的光柵掃描順序（光柵掃描順序）處理圖像切片，即機(jī)械地從左上角掃描至右下角。DeepSeek團(tuán)隊(duì)指出，這種方式引入了不必要的歸納偏差，與人類(lèi)視覺(jué)感知背道而馳。 人類(lèi)在閱讀復(fù)雜文檔、表格或追蹤螺旋線條時(shí)，視線是受語(yǔ)義理解驅(qū)動(dòng)的“因果流”，后一次注視往往因果依賴(lài)于前一次注視，而非單純的空間坐標(biāo)移動(dòng)。

受此認(rèn)知機(jī)制啟發(fā)，DeepSeek-OCR 2的核心組件DeepEncoder V2被設(shè)計(jì)用于賦予編碼器因果推理能力。通過(guò)引入可學(xué)習(xí)的“因果流查詢(xún)”（Causal Flow Queries），模型能夠在進(jìn)入LLM解碼器進(jìn)行內(nèi)容解釋之前，先在編碼階段就對(duì)視覺(jué)信息進(jìn)行智能重排序。這實(shí)際上構(gòu)建了一個(gè)兩級(jí)級(jí)聯(lián)的1D因果推理結(jié)構(gòu)：首先由編碼器在語(yǔ)義上重組視覺(jué)Token，隨后由解碼器對(duì)有序序列進(jìn)行自回歸推理。 這種設(shè)計(jì)不僅符合光學(xué)文本、表格和公式的非線性布局特征，還有效彌補(bǔ)了2D圖像結(jié)構(gòu)與1D語(yǔ)言建模之間的鴻溝。

棄用CLIP架構(gòu)，轉(zhuǎn)向LLM式編碼器

DeepEncoder V2在架構(gòu)上實(shí)施了重大變革，將DeepEncoder中原有的CLIP組件替換為緊湊的LLM式架構(gòu)（具體為Qwen2-0.5B）。為了實(shí)現(xiàn)并行處理，新架構(gòu)引入了一組可學(xué)習(xí)的查詢(xún)向量，稱(chēng)為“因果流Token”，并將原始視覺(jué)Token作為前綴拼接到序列中。

該架構(gòu)采用了一種定制化的注意力掩碼（Attention Mask）策略：

• 視覺(jué)Token部分：保留雙向注意力機(jī)制，確保模型能夠像CLIP一樣擁有全局感受野，捕捉圖像的整體特征。
• 因果流Token部分：采用因果注意力機(jī)制（類(lèi)似Decoder-only LLM），每個(gè)查詢(xún)Token只能關(guān)注之前的Token。

通過(guò)這種設(shè)計(jì)，視覺(jué)Token保持了信息的全局交互，而因果流Token則獲得了重排序視覺(jué)信息的能力。DeepSeek-OCR 2采用了多裁剪策略（Multi-crop strategy），根據(jù)圖像分辨率不同，最終輸入LLM的重排序視覺(jué)Token總數(shù)在256到1120之間。這一數(shù)量級(jí)顯著低于部分競(jìng)品高達(dá)6000以上的Token消耗，在保證高性能的同時(shí)大幅降低了計(jì)算開(kāi)銷(xiāo)。

性能顯著提升與生產(chǎn)環(huán)境驗(yàn)證

在OmniDocBench v1.5的綜合評(píng)估中，DeepSeek-OCR 2表現(xiàn)優(yōu)異。數(shù)據(jù)顯示，在同樣的訓(xùn)練數(shù)據(jù)源下，新模型相較于DeepSeek-OCR基線模型取得了3.73%的性能提升。特別是在閱讀順序（Reading Order）的編輯距離（Edit Distance）指標(biāo)上，DeepSeek-OCR 2從0.085顯著降低至0.057，這直接驗(yàn)證了DeepEncoder V2在邏輯重排序方面的有效性。

除了基準(zhǔn)測(cè)試，DeepSeek還披露了該模型在實(shí)際生產(chǎn)管線中的表現(xiàn)。DeepSeek-OCR 2主要服務(wù)于DeepSeek-LLMs的在線OCR服務(wù)及PDF預(yù)訓(xùn)練數(shù)據(jù)處理。在沒(méi)有真值（Ground Truth）的生產(chǎn)環(huán)境中，重復(fù)率（Repetition Rate）是衡量質(zhì)量的核心指標(biāo)。數(shù)據(jù)顯示，在處理在線用戶(hù)日志圖像時(shí)，DeepSeek-OCR 2將重復(fù)率從6.25%降低至4.17%;在PDF數(shù)據(jù)生產(chǎn)中，重復(fù)率從3.69%降至2.88%。這表明新模型在生成高質(zhì)量、低冗余的文本數(shù)據(jù)方面具備極高的實(shí)用價(jià)值。

通向原生多模態(tài)與真正的2D推理

DeepSeek-OCR 2的發(fā)布不僅是一次OCR性能的升級(jí)，更具有深遠(yuǎn)的架構(gòu)探索意義。DeepEncoder V2初步驗(yàn)證了使用語(yǔ)言模型架構(gòu)作為視覺(jué)編碼器的潛力。這種架構(gòu)天然繼承了LLM社區(qū)在基礎(chǔ)設(shè)施優(yōu)化方面的成果，如混合專(zhuān)家（MoE）架構(gòu)和高效注意力機(jī)制。

DeepSeek團(tuán)隊(duì)認(rèn)為，這為邁向統(tǒng)一的全模態(tài)編碼器提供了一條有希望的路徑。未來(lái)，單一編碼器可能通過(guò)配置特定模態(tài)的可學(xué)習(xí)查詢(xún)，在同一參數(shù)空間內(nèi)實(shí)現(xiàn)對(duì)圖像、音頻和文本的特征提取與壓縮。DeepSeek-OCR 2所展示的“兩個(gè)級(jí)聯(lián)的1D因果推理器”模式，通過(guò)將2D理解分解為“閱讀邏輯推理”和“視覺(jué)任務(wù)推理”兩個(gè)互補(bǔ)子任務(wù)，或許代表了實(shí)現(xiàn)真正2D推理的一種突破性架構(gòu)方法。