【TechWeb】1 月 27 日消息，深度求索（DeepSeek）团队发布了论文《DeepSeek-OCR 2: Visual Causal Flow》并开源了同名模型 DeepSeek-OCR 2。这一模型是对去年 10 月 20 日发布的 DeepSeek-OCR 模型的升级。

3 个月时间，从 DeepSeek-OCR 到 DeepSeek-OCR 2，论文提到在权威的综合性文档理解基准 OmniDocBench v1.5 上，DeepSeek-OCR 2 取得了 91.09% 的分数，较其前代大幅提升 3.73%。

其核心创新在于提出了 "Visual Causal Flow"  （" 视觉因果流 "） 这一全新的编码范式。

注：R-order 值为模型输出顺序与标准顺序之间的标准化编辑距离，数值越低，说明模型的输出越准确、逻辑顺序越正确。

核心创新：DeepEncoder V2 架构引入 Visual Causal

传统的 OCR（光学字符识别）技术，往往采取一种近似 " 机械扫描 " 的策略：将图像切割成网格，然后按照从左到右、从上到下的固定顺序识别文字。这种方式在处理简单文档时有效，但一旦面对充满表格、多栏排版、数学公式或复杂图示的学术论文、报告时，其输出的文本往往逻辑混乱，丢失了内容之间内在的语义关联。

DeepSeek-OCR 2 的研究不再满足于让模型 " 看见 " 文字，而是致力于让它像人类一样，先 " 理解 " 文档的视觉结构与内容逻辑，再 " 讲述 " 出文本。

DeepSeek-OCR 2 引入的 DeepEncoder V2 架构。

从 DeepSeek-OCR 的 DeepEncoder 架构，到 DeepSeek-OCR 2 的 DeepEncoder V2 架构，有了哪些升级？

DeepEncoder V2 被设计用于赋予编码器因果推理能力，使其能够在大语言模型进行内容解读之前，智能地对视觉标记进行重排。

DeepEncoder V2 像一位拥有全局观的阅读者。它的工作流程分为三步，实现了认知上的飞跃：

首先，全局观察：模型通过双向注意力机制，无遗漏地 " 瞥见 " 整页文档的所有视觉信息。

接着，逻辑推理：模型的核心组件—— " 因果流查询 " 开始工作。它不再受制于空间顺序，而是根据内容的语义重要性、排版结构和逻辑关系，动态地推理出一个最合理的 " 阅读顺序 "。例如，它会先读完一个文本栏，再跳转到旁边的图表标题，然后处理下方的表格，最后识别侧边栏的注释。

最后，有序压缩：模型按照这个自我推理出的逻辑顺序，将高维的视觉信息压缩、重排为一串低维的、富含语义的 " 视觉标记 "。

这一过程的核心是将空间优先的编码转变为语义优先的编码。论文指出，这种 " 因果流 " 机制使模型输出的视觉序列本身就携带了强烈的顺序因果性，为后续的语言解码器提供了结构清晰、逻辑通顺的 " 思考蓝图 "。

从效率到理解的全面突破

基于 " 视觉因果流 " 这一底层创新，DeepSeek-OCR 2 展现出了一系列显著优于前代及同类模型的能力。

首先，是惊人的处理效率。它仅需 256 至 1120 个视觉标记就能精准表示一页复杂文档的内容，达到了极高的视觉信息压缩率。这极大地减轻了下游大语言模型的计算负担，使得将高质量文档图像理解能力集成到各类 AI 应用中变得更为可行。

其次，在复杂文档理解上实现了质的突破。模型在学术论文、金融报表、杂志等包含多栏、浮动体、数学公式的文档上表现尤为出色。它不仅准确识别文字，更能还原内容间的逻辑顺序，输出后的文本无需大量后期调整即可直接用于分析或归档。

最终，这些优势转化为了硬性的性能提升。在权威的综合性文档理解基准 OmniDocBench v1.5 上，DeepSeek-OCR 2 取得了 91.09% 的分数，较其前代大幅提升 3.73%。更具说服力的是，在衡量阅读顺序准确度的关键指标（标准化编辑距离）上，其性能提升了约 33%。在实际生产环境的测试中，模型输出的重复和无意义内容也显著减少，证明了其卓越的稳定性和可靠性。

超越 OCR 的通用模态编码器雏形

DeepSeek-OCR 2 的价值远不止于一个更强大的 OCR 工具。它作为高质量文本数据的生产引擎，可以为大语言模型的训练提供海量、精准的文本语料。更重要的是，它所验证的 " 让模型自主决定信息处理顺序 " 的 " 因果流 " 思想，为下一代多模态人工智能架构指明了方向。

论文展望，这一原理有望发展成为一个统一的全模态编码器。未来，无论是文本、图像、音频还是视频，模型都可以先通过类似的 " 因果流 " 机制，理解该模态信息的内在结构与逻辑，再将其压缩为统一的、富含语义的中间表示，从而实现更深层次、更接近人类认知方式的跨模态理解与生成。

当然，研究也坦诚指出了当前模型的局限，例如在文本极度密集，如古典报纸的场景下，识别效果仍有优化空间。