DeepSeek发布OCR 2.0：AI像人类一样阅读文档

DeepSeek-OCR 2模型实现了视觉编码领域的重大突破，通过创新的语义推理架构，让AI从机械扫描升级为具备人类阅读逻辑的智能理解，为文档处理技术开辟了全新路径。

智能速览

• 新模型采用DeepEncoder V2架构实现语义推理

• 仅需256-1120个视觉标记处理复杂文档

• 综合得分达91.09%，较前代提升3.73%

• 在线用户日志重复率从6.25%降至4.17%

• 技术完全开源，为AI社区提供研究资源

精华内容

DeepSeek-OCR 2的发布标志着AI视觉理解从机械扫描向语义推理的历史性跨越。

技术革新

DeepSeek-OCR 2的核心创新在于将传统CLIP编码器替换为轻量级语言模型Qwen2-500M，并引入具有因果注意力机制的"因果流查询"。这种两级级联的因果推理结构，让编码器能够先对视觉标记进行语义重排，再由解码器进行精确解析，实现了从"固定扫描"到"语义推理"的质变。

性能表现

在OmniDocBench v1.5评测中，DeepSeek-OCR 2综合得分达到91.09%，较前代提升3.73%。模型仅需256到1120个视觉标记就能处理复杂文档页面，这种高压缩效率显著降低了下游大语言模型的计算开销，特别是在阅读顺序识别方面表现优异。

应用效果

实际应用中，DeepSeek-OCR 2展现出显著优势。在线用户日志图像的重复率从6.25%降至4.17%，PDF数据生产场景的重复率从3.69%降至2.88%。这些数据充分验证了新架构在逻辑性视觉理解方面的强大能力，大幅提升了文档处理的准确性和效率。

开源价值

DeepSeek团队秉承开源精神，同步开源了模型、技术报告和相关代码。项目地址、论文和模型都已公开，为整个AI社区提供了宝贵的研究资源，推动了视觉编码技术的共同进步和发展。

DeepSeek-OCR 2不仅为OCR技术开辟了新路径，更为构建统一的全模态编码器提供了可行方案。未来，同一个AI"大脑"或许能用同样方法处理各种模态数据，实现真正的多模态深度统一。