DeepSeek-OCR 2发布：识别性能提升3.73%，让AI“读懂”复杂文档

IT之家 1 月 27 日消息，DeepSeek 今日公布了其最新一代文档识别模型 DeepSeek-OCR 2。很显然，该模型是在 DeepSeek-OCR 的基础上升级而来，核心变化集中在视觉编码器设计上。

研究团队提出了一种名为 DeepEncoder V2 的新型编码器结构，这项技术突破源于对传统视觉语言模型处理方式的重新思考，旨在让机器更贴近人类的视觉阅读逻辑。

在传统的视觉语言模型中，图像通常会被切分为若干视觉 token，并按照从左上到右下的固定栅格顺序送入模型处理。这种方式虽然实现简单，但与人类在阅读文档、表格或公式时基于语义和逻辑关系进行跳跃式浏览的方式并不一致。

DeepSeek 论文指出，尤其在版式复杂的文档场景中，视觉元素之间往往存在明确的逻辑先后关系，仅依赖空间顺序可能限制模型对内容结构的理解能力。

DeepSeek-OCR 2 的改进重点在于引入“视觉因果流”的概念。在 DeepEncoder V2 中，研究团队用一种类语言模型结构替代了原先基于 CLIP 的视觉编码模块，并在编码器内部引入可学习的“因果流查询 token”。这些查询 token 通过定制化的注意力机制，在保留视觉 token 全局双向注意力的同时，自身采用因果注意力，只能访问已有信息，从而在编码阶段对视觉 token 的顺序进行动态重排。最终，只有经过因果重排后的查询 token 会被送入后续的语言模型解码器，用于生成识别结果。

在整体架构上，DeepSeek-OCR 2 仍然沿用了编码器 — 解码器的基本范式。图像首先经过一个视觉 tokenizer，被压缩为较少数量的视觉 token，再由 DeepEncoder V2 进行语义建模和顺序重组，最后交由一个基于混合专家架构（MoE）的语言模型解码。

DeepSeek 论文指出，该设计在不显著增加解码负担的前提下，将单页文档所使用的视觉 token 数量控制在 256 到 1120 之间，与前代模型及同类系统的资源开销保持在相近水平。

在实验评估方面，研究团队选用了 OmniDocBench v1.5 作为主要测试基准。该基准涵盖多种类型的中英文文档，包括学术论文、杂志、报告等，重点考察文本识别、公式解析、表格结构还原以及阅读顺序等指标。

测试结果显示，在视觉 token 上限更低的情况下，DeepSeek-OCR 2 的整体得分达到 91.09%，相较 DeepSeek-OCR 提升了 3.73%。其中，与文档阅读顺序相关的编辑距离指标下降较为明显，显示模型在处理文档逻辑结构方面取得了改进。

IT之家注意到，论文还给出了模型在实际应用场景中的表现对比。在在线 OCR 服务和批量 PDF 预处理等生产环境中，由于缺乏人工标注作为参考，研究团队以输出重复率作为质量指标。结果显示，DeepSeek-OCR 2 在这两类数据上的重复率均低于前代模型，表明其在真实数据分布下具有更稳定的输出表现。