今天，DeepSeek又又又又發(fā)論文了。

看到的時(shí)候，我的第一反應(yīng)是：這特么今年才過(guò)了不到一個(gè)月，我已經(jīng)寫(xiě)了三篇DeepSeek論文解讀了。照這個(gè)節(jié)奏，我是不是要轉(zhuǎn)型成"DeepSeek論文博主"了？

不過(guò)這次倒是沒(méi)梁文鋒什么事（替他松口氣），署名里沒(méi)看到他。

說(shuō)起來(lái)，最近Clawdbot挺火的，后臺(tái)也一直有粉絲留言讓我出教程。但相比追這種應(yīng)用層的熱點(diǎn)，我覺(jué)得還是讀讀論文更有意思——畢竟之前幾篇DeepSeek論文解讀，大家的反饋都挺好，說(shuō)是終于看懂了技術(shù)內(nèi)核。

所以，咱們還是繼續(xù)讀論文。

這次的論文叫DeepSeek-OCR 2，看起來(lái)是個(gè)很垂直的OCR模型。我承認(rèn)，看到標(biāo)題時(shí)覺(jué)得有點(diǎn)無(wú)聊——OCR？這么細(xì)分的領(lǐng)域，值得單獨(dú)發(fā)論文嗎？

但讀完之后，我覺(jué)得這可能是他們今年最重要的技術(shù)突破之一。倒不是因?yàn)镺CR本身多重要，而是因?yàn)樗麄冊(cè)谶@個(gè)小問(wèn)題里，提出了一個(gè)關(guān)于視覺(jué)語(yǔ)言模型（VLM）架構(gòu)的有趣洞察：

AI看圖的方式，一直都錯(cuò)了。

你看報(bào)紙的方式，和AI完全不同

想象你拿起一份報(bào)紙。

你的眼睛會(huì)怎么動(dòng)？大概率是這樣：先掃一眼大標(biāo)題，跳到配圖，看一眼圖片說(shuō)明，再?zèng)Q定要不要讀正文。如果是多欄排版，你會(huì)根據(jù)內(nèi)容的"重要性"在各欄之間跳躍，而不是從左上角第一個(gè)字開(kāi)始，一行行掃到右下角。

這不是什么高深的認(rèn)知科學(xué)發(fā)現(xiàn)。這是你每天都在做的事。

但AI不是這樣看圖的。

傳統(tǒng)的視覺(jué)語(yǔ)言模型（VLM）處理圖像的方式，更像一臺(tái)復(fù)印機(jī)：從左到右，從上到下，逐行掃描。不管圖像里有什么，不管哪里重要哪里不重要，它都用同一種機(jī)械的順序把圖像"讀"成一串?dāng)?shù)字。

這個(gè)問(wèn)題存在了很多年。直到最近，DeepSeek在一篇看起來(lái)很"小"的論文里，提出了一個(gè)挺"大"的洞察。

1967年的眼動(dòng)實(shí)驗(yàn)

在講DeepSeek的解法之前，我想先聊一個(gè)認(rèn)知科學(xué)的經(jīng)典實(shí)驗(yàn)。

1967年，蘇聯(lián)心理學(xué)家Alfred Yarbus做了一個(gè)著名的眼動(dòng)追蹤實(shí)驗(yàn)。他讓不同的被試看同一幅畫(huà)——列賓的《意外歸來(lái)》，畫(huà)的是一個(gè)流放者突然回到家中的場(chǎng)景。

有意思的是，Yarbus給每個(gè)被試不同的任務(wù)指令：

• "估計(jì)這家人的經(jīng)濟(jì)狀況"

• "記住畫(huà)中人物的位置"

• "猜測(cè)這個(gè)人離開(kāi)家多久了"

結(jié)果發(fā)現(xiàn)，同一幅畫(huà)，不同任務(wù)下，被試的眼動(dòng)軌跡完全不同。

讓估計(jì)經(jīng)濟(jì)狀況的人，眼睛會(huì)在家具、墻壁裝飾之間跳躍。讓猜測(cè)離開(kāi)時(shí)間的人，眼睛會(huì)在歸來(lái)者的臉和家人的表情之間反復(fù)掃視。

這說(shuō)明什么？人類的視覺(jué)不是被動(dòng)的接收，而是主動(dòng)的搜索。我們的眼睛去哪里，取決于我們想知道什么，取決于我們之前已經(jīng)看到了什么。

用論文里的話說(shuō)，人類視覺(jué)是"因果性"的——每一次注視都依賴于之前獲得的信息來(lái)決定下一步看哪里。

而傳統(tǒng)AI沒(méi)有這個(gè)能力。它只會(huì)機(jī)械地掃。

小徑分岔的花園

博爾赫斯有一篇短篇小說(shuō)，叫《小徑分岔的花園》。

故事里有一座神秘的花園，主人公最終發(fā)現(xiàn)，這座花園其實(shí)是一部小說(shuō)——一部在每個(gè)敘事節(jié)點(diǎn)都分叉出所有可能性的小說(shuō)。在這部小說(shuō)里，主人公可以同時(shí)選擇所有的路徑，每條路徑都是真實(shí)的。

這個(gè)隱喻用來(lái)理解DeepSeek OCR 2的核心創(chuàng)新，挺合適。

傳統(tǒng)VLM就像一個(gè)只會(huì)走直線的人穿越迷宮。從入口到出口，只有一條固定的路線：從左到右，從上到下。不管迷宮的結(jié)構(gòu)如何，不管哪條路更近，它都只會(huì)沿著預(yù)設(shè)的方向走。

而人類看圖——以及DeepSeek想讓AI學(xué)會(huì)的方式——是站在每個(gè)岔路口，根據(jù)眼前的信息決定下一步往哪走。這條路看起來(lái)有標(biāo)題？先走這邊。那邊有張圖表？跳過(guò)去看看。

這就是論文標(biāo)題里"Visual Causal Flow"（視覺(jué)因果流）的含義：讓AI學(xué)會(huì)根據(jù)已經(jīng)看到的內(nèi)容，因果性地決定接下來(lái)看哪里。

DeepSeek的解法：兩階段級(jí)聯(lián)推理

理解了問(wèn)題，DeepSeek的解法就很自然了。

核心思路是：把"看圖"這件事拆成兩步。

第一步：推理"應(yīng)該按什么順序看"

傳統(tǒng)VLM直接把圖像拍平成一串token，順序是固定的。DeepSeek的做法是，先讓模型學(xué)會(huì)重新排列這些token的順序——根據(jù)圖像的語(yǔ)義內(nèi)容，而不是空間位置。

這一步由一個(gè)叫"DeepEncoder V2"的編碼器完成。它會(huì)輸出一組"因果流查詢"（causal flow query），這些查詢token會(huì)按照模型認(rèn)為合理的順序，依次"注視"圖像的不同部分。

第二步：在正確的順序上做推理

重排之后，再把這些有序的視覺(jué)信息交給LLM做文本生成（比如OCR識(shí)別）。

因?yàn)轫樞驅(qū)α耍琇LM就能更好地理解文檔的邏輯結(jié)構(gòu)。比如先看到標(biāo)題，再看到正文，而不是先看到頁(yè)腳的頁(yè)碼。

一個(gè)巧妙的注意力mask

技術(shù)細(xì)節(jié)我盡量簡(jiǎn)化。

DeepEncoder V2的核心是一個(gè)巧妙的注意力機(jī)制設(shè)計(jì)。它把輸入分成兩部分：

視覺(jué)token：用雙向注意力，每個(gè)token都能看到所有其他token。這保證了全局的感知能力。

因果流查詢：用因果注意力，每個(gè)查詢只能看到前面的查詢和所有視覺(jué)token。這讓查詢之間形成"順序"——第一個(gè)查詢決定先看哪，第二個(gè)查詢基于第一個(gè)的結(jié)果決定接下來(lái)看哪。

兩種注意力拼在一起，就形成了一個(gè)特殊的注意力mask矩陣。視覺(jué)token負(fù)責(zé)"感知"，因果查詢負(fù)責(zé)"排序"。

另一個(gè)有意思的設(shè)計(jì)：他們用一個(gè)小型LLM（Qwen2-500M）替換了傳統(tǒng)的CLIP ViT作為視覺(jué)編碼器。這讓編碼器本身就具備了"推理"能力，而不只是特征提取。

效果怎么樣

說(shuō)點(diǎn)實(shí)際的。

在OmniDocBench v1.5這個(gè)文檔解析基準(zhǔn)測(cè)試上，DeepSeek OCR 2達(dá)到了91.09%的綜合得分，比前代提升了3.73%。

更有意義的是"閱讀順序"指標(biāo)的提升——編輯距離從0.085降到了0.057。這說(shuō)明模型確實(shí)學(xué)會(huì)了按更合理的順序"讀"文檔，而不只是識(shí)別準(zhǔn)確率提高了。

在實(shí)際生產(chǎn)環(huán)境中（DeepSeek的在線OCR服務(wù)和預(yù)訓(xùn)練數(shù)據(jù)管線），輸出的重復(fù)率也從6.25%降到了4.17%，下降了33%。

而這一切，只用了256到1120個(gè)視覺(jué)token。作為對(duì)比，Qwen2.5-VL-72B要用超過(guò)6000個(gè)token。

這只是拼圖的一塊

OCR 2不是孤立的。

2026年1月，DeepSeek密集發(fā)布了一系列論文：

1月1日，mHC論文：提出"流形約束超連接"，解決大模型訓(xùn)練的穩(wěn)定性問(wèn)題。梁文鋒署名。

1月12日，Engram論文：提出"條件記憶"機(jī)制，實(shí)現(xiàn)近乎無(wú)限的上下文檢索。梁文鋒署名。

1月27日，OCR 2論文：視覺(jué)因果流，讓AI像人一樣理解圖像。

這些技術(shù)指向同一個(gè)方向：更高效、更穩(wěn)定、更像人。

它們很可能都會(huì)整合進(jìn)即將發(fā)布的DeepSeek V4。根據(jù)公開(kāi)信息，V4預(yù)計(jì)在2月中旬（春節(jié)前后）發(fā)布。GitHub代碼庫(kù)意外泄露的"MODEL1"代號(hào)顯示，這可能是一次架構(gòu)重構(gòu)，包括混合精度訓(xùn)練、Blackwell GPU優(yōu)化、以及超過(guò)100萬(wàn)token的上下文窗口。

去年的V3和R1都是在春節(jié)窗口發(fā)布的。今年看起來(lái)也是。

從"看"的方式開(kāi)始

回到OCR 2這篇論文本身。

它解決的問(wèn)題看起來(lái)很"小"——文檔OCR，把圖片里的文字讀出來(lái)。但它觸及的問(wèn)題挺"大"：AI應(yīng)該怎么理解二維的視覺(jué)世界？

論文的討論部分提到了兩個(gè)方向：

一個(gè)是"Towards Genuine 2D Reasoning"——邁向真正的2D推理。用兩個(gè)級(jí)聯(lián)的1D因果推理來(lái)逼近2D理解。第一個(gè)1D負(fù)責(zé)"排序"，第二個(gè)1D負(fù)責(zé)"推理"。這是否能真正實(shí)現(xiàn)2D推理，還有待驗(yàn)證。

另一個(gè)是"Towards Native Multimodality"——邁向原生多模態(tài)。既然可以用LLM當(dāng)視覺(jué)編碼器，那能不能用同一套架構(gòu)處理圖像、音頻、文本？只需要換一組模態(tài)專屬的查詢token就行。

期待真正的多模態(tài)DeepSeek

說(shuō)起來(lái)，我們之前一直有個(gè)遺憾。

DeepSeek V3和R1都是很強(qiáng)的模型，R1甚至在推理能力上超越了o1。但它們都是純文本模型。在DeepSeek的網(wǎng)站或App上對(duì)話時(shí)，你能上傳圖片，但模型只是單純地識(shí)別圖中的文字，然后基于文字內(nèi)容回答——本質(zhì)上還是文本推理。

這就像一個(gè)只能讀字幕的人在"看"電影。

而從OCR 2這篇論文傳遞的信息看，DeepSeek在多模態(tài)上已經(jīng)邁出了關(guān)鍵一步。他們不再滿足于識(shí)別文字這種初級(jí)的圖像理解，而是在探索如何讓AI真正"理解"視覺(jué)信息的結(jié)構(gòu)和語(yǔ)義。

加上之前泄露的GitHub代碼里，"MODEL1"代號(hào)下有大量關(guān)于視覺(jué)編碼器的配置，以及論文里明確提到的"Native Multimodality"方向——我們有理由期待，即將發(fā)布的DeepSeek V4會(huì)是一個(gè)能力相當(dāng)不錯(cuò)的原生多模態(tài)模型。

真正學(xué)會(huì)看圖。

這些都是開(kāi)放的問(wèn)題。但從DeepSeek的論文發(fā)布節(jié)奏來(lái)看，他們已經(jīng)在路上了。

• 論文：https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf

• 模型：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2