DeepSeek团队发布了新一代OCR模型DeepSeek-OCR 2，其核心创新在于采用了一种名为DeepEncoder V2的视觉编码方法，首次让AI能像人类一样根据语义逻辑动态处理图像信息。这一突破不仅显著提升了模型在复杂文档理解上的性能，也为AI大模型的架构探索开辟了新路径，预示着多模态统一编码的广阔前景。
智能速览
核心创新DeepEncoder V2，让AI模拟人类视觉“因果流”。
通过三段式训练体系，有效压缩视觉token，降低计算成本。
在权威基准测试中性能超越前代，与Gemini-3 Pro相比更具潜力。
新架构有望演变为统一的全模态编码器，加速多模态AI发展。
为金融、医疗、政务等行业带来了文档智能处理的技术升级机遇。
精华内容
DeepSeek-OCR 2的突破，源于其对传统视觉编码逻辑的颠覆。它究竟如何实现这一创新，又将带来怎样的性能飞跃？
颠覆性的视觉编码
传统视觉语言模型（VLMs）处理图像时，通常采用从左到右、从上到下的光栅扫描顺序，这与人类受语义驱动的“因果流”视觉感知相悖。DeepSeek-OCR 2的核心组件DeepEncoder V2正是为了解决此问题而生。
其创新机制包含三点：首先是因果流查询，模型在理解图像全局后，动态生成符合语义的视觉标记处理顺序，而非机械扫描；其次是语义驱动的动态重排，AI能根据图像含义智能排列各部分处理优先级；最后是高效的视觉标记压缩，通过窗口注意力机制，实现约16倍的token压缩，将复杂文档的视觉token数量控制在256至1120之间，显著降低了计算成本。
系统的训练之道
为使DeepEncoder V2有效工作，DeepSeek-OCR 2采用了系统化的三段式训练策略。模型升级重点集中在编码器，沿用了原版参数规模为30亿的MoE解码器，激活参数约5亿。
在数据层面，模型使用了与上一代相同的数据源，但进行了优化：对OCR 1.0数据采用更均衡的采样，并按正文、公式、表格3:1:1的比例划分页面；同时优化了布局检测的标签。在训练层面，模型依次经历了“编码器预训练”、“查询增强”和“解码器专门化”三个阶段，逐步赋予模型特征提取、token重排和知识压缩的能力，最终实现了高效精准的识别效果。
实测性能与展望
在业内权威的OmniDocBench v1.5基准测试中，DeepSeek-OCR 2在使用最小视觉token上限的情况下，取得了91.09%的领先性能，相比基线模型提升了3.73%。在衡量阅读顺序准确性的编辑距离（ED）指标上，其表现从0.085降至0.057，证明新架构能更有效地排列视觉token。
值得注意的是，在同等视觉token预算（1120）下，DeepSeek-OCR 2的ED（0.100）优于Gemini-3 Pro（0.115），展现了极高的潜力。当然，模型也存在局限，如在处理文本密集的报纸类文档时表现稍弱，这也是其未来改进的方向。
DeepSeek-OCR 2不仅是OCR技术的升级，更是AI向类人化认知演进的重要标志。它所探索的视觉因果流架构，为构建统一的多模态大模型提供了宝贵思路，有望在更多垂直行业释放巨大价值。未来，一个真正通用的AI模型将如何重塑世界？
