DeepSeek又拿第一！首创“因果流”视觉推理，超越Gemini ...

集群智慧张老师

编辑：定慧 好困
【新智元导读】DeepSeek开源DeepSeek-OCR2，引入了全新的DeepEncoder V2视觉编码器。该架构打破了传统模型按固定顺序（从左上到右下）扫描图像的限制，转而模仿人类视觉的「因果流（Causal Flow）」逻辑。
DeepSeek又双叒叕更新了！
这次是DeepSeek-OCR模型的重磅升级：DeepSeek-OCR2。

还记得上一代DeepSeek-OCR吗？那个用视觉方式压缩一切的模型。
5 n4 M' k# u3 \' E2 o这一次，DeepSeek更进一步，对视觉编码器下手了，提出了一种全新的DeepEncoder V2架构，实现了视觉编码从「固定扫描」向「语义推理」的范式转变！
& x. v% Z, S: k' b
DeepSeek-OCR2不仅能像人类一样按逻辑顺序阅读复杂文档，还在多项基准测试中刷新了SOTA。
当然，按照DeepSeek的惯例，Paper、Code、Model全开源！
/ G  ^8 E5 M5 c: S8 Y$ }
- O; [/ m. H; I0 p: fDeepSeek-OCR2的核心创新在于通过DeepEncoder V2，赋予了模型因果推理能力（Causal Reasoning）。
这就像是给机器装上了「人类的阅读逻辑」，让AI不再只是死板地从左上到右下扫描图像，而是能根据内容语义灵活调整阅读顺序。
DeepSeek-OCR2
视觉因果流
, [0 ]  N" v$ k  fDeepSeek在论文中指出，传统的视觉语言模型（VLM）通常采用光栅扫描（Raster-Scan）顺序处理图像，即固定地从左到右、从上到下。
这种方式强行将2D图像拍扁成1D序列，忽略了图像内部的语义结构。

# i& Y! m9 |2 T; w0 l这显然与人类的视觉习惯背道而驰。
人类在看图或阅读文档时，目光是随着逻辑流动的：先看标题，再看正文，遇到表格会按列或按行扫视，遇到分栏会自动跳跃。
为了解决这个问题，DeepSeek-OCR2引入了DeepEncoder V2。
  C1 h1 g, ]+ E( P' ^9 g' h! g它最大的特点是用一个轻量级的大语言模型（Qwen2-0.5B）替换了原本的CLIP编码器，并设计了一种独特的「因果流查询」（Causal Flow Query）机制。
DeepEncoder V2架构详解
1 p' P9 h+ _' m2 c- e  H, oDeepEncoder V2主要由两部分组成：
) s5 w2 {  h. y4 l) [; e1. 视觉分词器（Vision Tokenizer）
沿用了SAM-base（80M参数）加卷积层的设计，将图像转换为视觉Token。
# ?! V, p6 k& i/ R/ [0 q! s$ r7 Q
9 ~0 ?) f% l! H, l/ L2. 作为视觉编码器的LLM
这里DeepSeek使用了一个Qwen2-0.5B模型。
它不仅处理视觉Token，还引入了一组可学习的「查询Token」（Query Tokens）。

关键的创新点在于注意力掩码（Attention Mask）的设计：
: q% S. E8 d' H( t0 S( J! `
3 r; [" T6 r: K2 B& Z视觉Token之间采用双向注意力（Bidirectional Attention），保持全局感知能力，类似于ViT。
而查询Token则采用因果注意力（Causal Attention），每一个查询Token只能看到它之前的Token。
通过这种设计，DeepEncoder V2实现了两级级联的因果推理：
编码器通过可学习的查询对视觉Token进行语义重排，随后的LLM解码器则在这个有序序列上进行自回归推理。
这意味着，DeepSeek-OCR2在编码阶段就已经把图像里的信息「理顺」了，而不是一股脑地扔给解码器。
% ?5 r, \/ l) n1 X  JToken更少，精度更高
1 \1 ?8 f  x& w  D; g+ a! _实验数据显示，DeepSeek-OCR2在保持极高压缩率的同时，性能显著提升。
2 z- H2 H$ j; O$ O3 r在OmniDocBench v1.5基准测试中，DeepSeek-OCR2在使用最少视觉Token（仅256-1120个）的情况下，综合得分高达91.09%，相比前代提升了3.73%。
, S1 M9 s" h, ?) ]! S
6 ?9 u" g9 c; b8 s& y9 X特别值得一提的是，在阅读顺序（R-order）的编辑距离（Edit Distance）指标上，DeepSeek-OCR2从前代的0.085显著降低到了0.057。
  ?) g6 j$ ]# b5 n这直接证明了新模型在处理复杂版面时，逻辑性更强，更懂「阅读顺序」。
8 V) G* p8 h8 s$ d! f在和Gemini-3 Pro等闭源强模型的对比中，DeepSeek-OCR2也丝毫不落下风。
在均使用约1120个视觉Token的情况下，DeepSeek-OCR2的文档解析编辑距离（0.100）优于Gemini-3 Pro（0.115）。
& Z4 q3 x% i: {5 }+ {* G3 \
/ t9 q( }! A, T( s
8 a$ l0 C% L9 i8 p8 o不仅是刷榜，DeepSeek-OCR2在实际生产环境中也非常能打。
# g+ k4 a0 j4 U- v. M( q- ?9 ~DeepSeek披露，在处理在线用户日志图像时，OCR结果的重复率从6.25%降到了4.17%；在PDF数据生产场景中，重复率从3.69%降到了2.88%。

这意味着模型生成的文本更加干净、准确，对于作为LLM训练数据的清洗流水线来说，价值巨大。
迈向真正的多模态统一
DeepSeek在论文最后提到，DeepSeek-OCR2通过DeepEncoder V2验证了「LLM作为视觉编码器」的可行性。
$ C4 o9 K) t9 j* ~; X2 A这不仅是一个OCR模型的升级，更是迈向原生多模态（Native Multimodality）的重要一步。
0 R! Y+ V1 R. k3 ~  e* G& a7 Q! e) V未来，同一个编码器只要配备不同的模态查询嵌入（Query Embeddings），就能处理文本、图片、音频等多种模态的数据，真正实现万物皆可Token，万物皆可因果推理。
DeepSeek表示，虽然目前光学文本识别（OCR）是LLM时代最实用的视觉任务之一，但这只是视觉理解宏大图景的一小部分。
6 P/ i: e8 g( m  ]* jDeepSeek将继续探索，向着更通用的多模态智能进发。

3dmax001

DeepSeek总能不断给我们惊喜！

3dmax001

好样的，DeepSeek！