1 月 27 日消息，DeepSeek 今日公布了其最新一代文档识别模型 DeepSeek-OCR 2。很显然，该模型是在 DeepSeek-OCR 的基础上升级而来，核心变化集中在视觉编码器设计上。
研究团队提出了一种名为 DeepEncoder V2 的新型编码器结构，它能够根据图像语义动态调整视觉信息的处理顺序，使模型在进行文字识别前先对视觉内容进行智能排序。这项技术突破源于对传统视觉语言模型处理方式的重新思考，旨在让机器更贴近人类的视觉阅读逻辑。
在传统的视觉语言模型中，图像通常会被切分为若干视觉 token，并按照从左上到右下的固定栅格顺序送入模型处理。这种方式虽然实现简单，但与人类在阅读文档、表格或公式时基于语义和逻辑关系进行跳跃式浏览的方式并不一致。
DeepSeek 论文指出，尤其在版式复杂的文档场景中，视觉元素之间往往存在明确的逻辑先后关系，仅依赖空间顺序可能限制模型对内容结构的理解能力。
DeepSeek-OCR 2 的改进重点在于引入“视觉因果流”的概念。在 DeepEncoder V2 中，研究团队用一种类语言模型结构替代了原先基于 CLIP 的视觉编码模块，并在编码器内部引入可学习的“因果流查询 token”。
其编码器同时包含双向注意力与因果注意力两种处理模式，原始视觉信息通过双向注意力进行全局感知，而新增的查询标记则通过因果注意力逐步建立语义顺序，从而在编码阶段对视觉 token 的顺序进行动态重排。最终，只有经过因果重排后的查询 token 会被送入后续的解码器，用于生成识别结果。
在整体架构上，DeepSeek-OCR 2 仍沿用了前代模型的编解码框架。编码器将图像转换为视觉标记并进行压缩，被压缩为较少数量的视觉 token，再由 DeepEncoder V2 进行语义建模和顺序重组，最后交由一个基于混合专家架构（MoE）的语言模型解码。
DeepSeek 论文指出，该设计在不显著增加解码负担的前提下，将单页文档所使用的视觉 token 数量控制在 256 到 1120 之间，与前代模型及同类系统的资源开销保持在相近水平。
为验证模型性能，研究团队在 OmniDocBench v1.5 基准上进行了全面评估。该基准涵盖多种类型的中英文文档，包括学术论文、杂志、报告等，重点考察文本识别、公式解析、表格结构还原以及阅读顺序等指标。
测试结果显示，在视觉 token 上限更低的情况下，DeepSeek-OCR 2 的整体得分达到 91.09%，相较 DeepSeek-OCR 提升了 3.73%。特别是在阅读顺序准确度方面，编辑距离从 0.085 降至 0.057，表明新模型能够更合理地理解文档内容结构。
注意到，DeepSeek-OCR 2 在生产环境中也表现出更好的稳定性。在线用户日志图像的重复率从 6.25% 降至 4.17%，批处理 PDF 数据的重复率从 3.69% 降至 2.88%。这些改进使得模型在保持高压缩率的同时，提升了实际应用场景中的可靠性。
