刚刚，DeepSeek 上新，V4 的模样更清晰了

临近春节，DeepSeek 又有新动作了。

就在刚刚，DeepSeek 在 HuggingFace 和 GitHub 上开源新模型OCR 2，并附上了完整的论文。

和初代 OCR 主打视觉压缩不同，这是一种旨在改进视觉-语言模型（VLMs）中视觉编码方式的新型模型。核心创新在于引入了 DeepEncoder V2，通过模拟人类的视觉因果推理能力，解决了传统模型在处理复杂文档布局时的局限性。

传统的 VLMs 通常按固定的光栅扫描顺序（从左上到右下）处理图像，这种僵化的方式不符合我们的视觉感知，人类是基于内容的灵活扫描，而且在处理复杂布局，如表格、公式、多栏文本时会引入错误的信息。

而 OCR 2，就是利用新型编码器 DeepEncoder V2，给了模型「视觉因果流 Visual Causal Flow」的能力，让模型能够根据图像内容，动态地重新排序视觉 Token。

DeepEncoder V2 是 OCR 2 模型的关键创新，它的设计有以下几个特点。

1️⃣ 抛弃了上一代 DeepEncoder 中使用的 CLIP 模块，转而使用一个紧凑的 LLM 架构（基于 Qwen2-0.5B）作为视觉编码器。

2️⃣ 混合注意力机制，视觉 Token 上使用双向注意力，类似于 ViT。在因果流查询，引入可学习的查询 Token，能够关注到所有视觉 Token 和之前的查询，从而实现对视觉信息的逻辑重排序。

3️⃣ 级联因果推理，这种设计形成了一个两级级联结构，编码器通过查询 Token 对视觉信息进行语义重排序，随后的 LLM 解码器则基于这个有序序列进行推理。

4️⃣ Token 压缩，输入给 LLM 的视觉 Token 数量控制在 256 到 1120 之间。这个数量级既保留了 OCR 的高压缩比，又做到了 Gemini 3 Pro 的最大视觉 Token 预算能做的事。

基于全新的架构设计和训练，DeepSeek-OCR 2 在多个指标上展现了显著提升。

1️⃣ 基准测试，在 OmniDocBench v1.5 上，DeepSeek-OCR 2 的整体性能达到 91.09%，相比初代基线提升了 3.73%。

2️⃣ 阅读顺序，编辑距离从 0.085 显著降低至 0.057，证明了模型在理解视觉逻辑顺序方面的进步。

3️⃣ 生产环境表现，在实际应用中，重复率大幅下降，例如在线用户日志数据中从 6.25% 降至 4.17%，表明模型的实用性和稳定性更强。

4️⃣ 效率，在保持高性能的同时，使用了极低的视觉 Token 预算，最多 1120 个，相比其他模型效率更高。

未来，DeepSeek 打算通过两个 1D 因果推理器的级联，探索实现真正的 2D 图像理解和推理。

论文：https://github.com/deepseek-ai/DeepSeek-OCR-2