近日，深度求索（DeepSeek）发布并开源了其新一代文档识别模型——DeepSeek-OCR 2，在视觉语言模型领域进行了一次重要的探索。这次升级的核心并非简单的精度提升，而是通过引入全新的架构，让AI学会像人类一样进行“逻辑阅读”，从而更好地理解和处理复杂文档。
传统的OCR（光学字符识别）模型在处理图像时，大多采用从左上角到右下角的“光栅扫描”顺序，就像一台死板的扫描仪，机械地逐行处理像素信息。这种方式在面对简单的纯文本时尚可应对，但一旦遇到包含表格、公式、多栏排版等复杂布局的文档，其固定的扫描顺序就会导致内容逻辑混乱，无法准确还原作者的意图和文档的内在结构。
而人类在阅读时并非如此。我们的视线会根据内容的语义和逻辑进行跳跃，先看标题，再浏览摘要，遇到表格时会整体审视其结构，目光的移动是由理解驱动的“因果流”。DeepSeek-OCR 2的核心创新正是模仿了这种人类的阅读逻辑，提出了“视觉因果流”（Visual Causal Flow）的概念。
为实现这一目标，DeepSeek-OCR 2采用了名为DeepEncoder V2的新型编码器架构。这一架构带来了两个关键性变革：
它用一个轻量级的大语言模型（Qwen2-0.5B）替代了传统视觉模型中常用的CLIP编码器。这一改变使得视觉编码器本身就具备了类似语言模型的因果推理潜力。
它在编码器内部引入了可学习的“因果流查询”（Causal Flow Query）机制。该机制采用了一种定制化的双重注意力模式：原始的视觉信息（视觉Token）之间保持双向注意力，让模型能够像过去一样感知图像的全局特征；而新增的“因果流查询”则采用因果注意力，使其能够根据已处理的信息，有逻辑、有顺序地对视觉内容进行动态重排。
简单来说，DeepSeek-OCR 2在正式解码生成文字之前，先在编码阶段就通过这种“因果流”机制，将图像中的视觉信息按照语义逻辑“梳理”一遍，形成一个符合人类阅读直觉的有序序列，然后再交由后续的解码器进行处理。这种“先理解排序，再解码生成”的两级级联推理结构，有效弥合了二维图像的复杂空间结构与一维语言模型的线性处理方式之间的鸿沟。
这一创新带来了显著的性能提升和效率优势。根据官方公布的数据，在权威的OmniDocBench v1.5基准测试中，DeepSeek-OCR 2的综合得分达到了91.09%，相比前代模型提升了3.73%。尤其在衡量逻辑理解能力的核心指标“阅读顺序”上，其编辑距离从0.085显著降低至0.057，证明新模型能够更准确地把握复杂文档的结构。
在效率方面，DeepSeek-OCR 2延续了前代模型高压缩率的特点，仅需256到1120个视觉Token即可处理一页复杂的文档，计算开销远低于部分同类模型。在实际生产环境中，新模型也表现出更好的稳定性，在线服务和PDF数据处理的识别结果重复率均有明显下降，意味着生成的文本数据质量更高、更可靠。
DeepSeek-OCR 2的发布，其意义不止于OCR性能的提升。它验证了使用语言模型架构作为视觉编码器的可行性，为构建统一的全模态AI模型提供了一条富有前景的路径。未来，或许同一个AI模型只需配备不同的“查询指令”，就能在同一套参数下处理图像、文本、音频等多种模态的数据，向着更通用的原生多模态智能迈出重要一步。
目前，DeepSeek团队已将DeepSeek-OCR 2的模型、代码及技术报告全部开源，供全球的开发者和研究者使用。
