近日，DeepSeek团队发布并开源了其新一代文档识别模型——DeepSeek-OCR 2，该模型在视觉编码领域实现了重大突破，旨在让AI能够像人类一样，以符合逻辑的顺序“阅读”和“理解”复杂的文档。
传统OCR（光学字符识别）技术在处理文档时，大多采用固定的“光栅扫描”模式，即机械地从左上角到右下角逐行读取。这种方式在面对多栏排版、跨页表格、公式或图文混排等复杂布局时，往往会打乱内容原有的逻辑关系，导致识别结果支离破碎。DeepSeek-OCR 2的核心创新正是为了解决这一痛点，它引入了名为“视觉因果流”（Visual Causal Flow）的全新概念，实现了从“固定扫描”到“语义推理”的范式转变。
这一变革的关键在于其全新的DeepEncoder V2视觉编码器。与前代及多数模型采用的CLIP视觉编码器不同，DeepSeek-OCR 2创新性地使用了轻量级的大语言模型架构（Qwen2-0.5B）作为编码器。其内部设计了一种独特的双流注意力机制：对于从图像中提取的原始视觉信息（视觉token），模型采用双向注意力，使其能够像人眼扫视一样，先对整个页面布局有全局性的感知；同时，模型引入了与视觉token等量的“因果流查询”（causal flow query），这部分则采用因果注意力机制。这些可学习的查询token能够根据图像的整体语义，动态地学习并构建一个符合逻辑的阅读顺序，对视觉信息进行智能重排。
整个工作流程形成了一种两级因果推理：DeepEncoder V2在视觉层面完成对内容的逻辑重排，决定“先看哪里、后看哪里”；然后，这个经过排序的、信息密度极高的视觉序列才被送入后续的解码器（一个3B参数的MoE模型）进行文本生成。这样一来，解码器接收到的是已经“理顺”了的信息，从而能更准确地还原文档的自然阅读顺序和结构。
凭借这一创新架构，DeepSeek-OCR 2在性能和效率上都取得了显著提升。在效率方面，它通过视觉分词器和多裁剪策略，将处理一整页复杂文档所需的视觉token数量控制在256到1120个之间，相较于其他模型动辄需要数千个token，极大地降低了计算开销。在性能方面，根据官方技术报告，该模型在权威文档理解基准测试OmniDocBench v1.5上取得了91.09%的综合得分，相较前代提升了3.73%。尤其在衡量阅读顺序准确性的指标上，其编辑距离从0.085显著下降至0.057，证明其逻辑理解能力大幅增强。在同等资源限制下，其文档解析能力甚至超越了部分顶尖的闭源模型。
DeepSeek-OCR 2的发布及开源，不仅为文档处理、RAG（检索增强生成）等应用领域提供了更强大的基础工具，也为多模态技术的发展探索了新的方向。它验证了让语言模型参与到视觉编码过程中的可行性，为未来构建能够处理图像、文本、音频等多种信息的统一全模态（omni-modal）编码器提供了富有前景的思路。
