DeepSeek又拿第一！首创“因果流”视觉推理，超越Gemini ...

集群智慧张老师

& d; v' a: j! Q7 l9 q9 U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！
& ~5 w1 u" y: n& S# G( f( M+ C* f这次是DeepSeek-OCR模型的重磅升级：DeepSeek-OCR2。
# y$ `% k/ ~* c. \( \
还记得上一代DeepSeek-OCR吗？那个用视觉方式压缩一切的模型。
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！

+ }# }0 l0 Z! f7 ?( |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！
2 g8 B$ f# \' o8 n! J( W3 I
DeepSeek-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
5 D8 [8 c4 x& C视觉因果流
$ t& n, o% C' n; t% Y9 ^6 HDeepSeek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。

2 M) _" G% W, N& s2 N+ M这显然与人类的视觉习惯背道而驰。
" t4 d9 x' m9 I- l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。
  _" c3 }5 r* W9 q7 Z3 C为了解决这个问题，DeepSeek-OCR2引入了DeepEncoder V2。
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
DeepEncoder V2主要由两部分组成：
7 P* h% @# F% ^2 b& @1. 视觉分词器（Vision Tokenizer）
3 [/ Y4 ^& Q$ p' `7 P' ?2 A沿用了SAM-base（80M参数）加卷积层的设计，将图像转换为视觉Token。
3 q- k0 j, o: Y& ^
2. 作为视觉编码器的LLM
0 D3 }# Z% s, }4 n& R0 l4 t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）。

% q, h6 F+ @3 R) n! r. l( W关键的创新点在于注意力掩码（Attention Mask）的设计：
: w9 I" }) r& G- X* S7 Y
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。
' P% A) z! E: R7 Y2 q通过这种设计，DeepEncoder V2实现了两级级联的因果推理：
1 d2 c8 K6 m( \/ H5 V4 ~6 S) O" j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。
Token更少，精度更高
. v+ _6 ?/ Q: Y+ n: Q: h1 I1 e( ]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。
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%。
4 d! J0 D5 |, H9 K3 e# }
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。
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」。
! D' Q% i1 y; a7 J7 z* Y! N在和Gemini-3 Pro等闭源强模型的对比中，DeepSeek-OCR2也丝毫不落下风。
7 T) U3 m4 a+ H, v: i4 ^: m+ D7 J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）。
# d6 K" n  U# v# x- S
# `, ?" Y; _1 f9 u  c! W" f
. R& D6 C8 @2 O不仅是刷榜，DeepSeek-OCR2在实际生产环境中也非常能打。
8 E; S! P6 S8 t/ }. wDeepSeek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%。
* F$ K7 {& |) N' F
2 h" ~- G& y$ h; r  c* z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。
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。
* z6 j1 c" y7 y1 I$ Z# c  I) a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。
DeepSeek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！