DeepSeek 发布新代光学字符识别系统东营塑料挤出机，通过让 AI 以肖似东说念主类的逻辑规则蚁集图像，在视觉识别域兑现本事冲突。这进展可能重塑文档料理、图表分析等依赖复杂视觉蚁集的诳骗场景。

27 日，DeepSeek 发布了 DeepSeek-OCR 2 系统。该系统禁受名为 DeepEncoder V2 的新法，使 AI 能够像东说念主类样按照逻辑规则"看"图像。这项本事的中枢更正在于改变了传统 AI 料理图像的式。DeepEncoder V2 让 AI 基于图像含义动态重新胪列图照片断，而非传统的从左到右刚扫描。这种法效法了东说念主类奴婢场景逻辑流的式。

把柄 DeepSeek 公布的本事论说，DeepSeek-OCR 2 在多项要道方向上展现出显耀势。在 OmniDocBench v1.5 基准测试中，该模子取得了 91.09 的收成，相较于前代 DeepSeek-OCR 擢升了 3.73。

值得留意的是，该模子在保握精度的同期，严格限定了计较资本，其视觉 Token 数目被限定在 256 至 1120 之间，这上限与 Google 的 Gemini-3 Pro 保握致。 在内容坐褥环境中，该模子在料理在线用户日记和 PDF 预查考数据时的疏通率辩认下落了 2.08 和 0.81，显现出的实用纯属度。

模拟东说念主类视觉的"因果流"逻辑

把柄 DeepSeek 公布的本事论说，现存的视觉话语模子（VLMs）每每禁受固定的光栅扫描规则（光栅扫描规则）料理图像切片，即机械地从左上角扫描至右下角。DeepSeek 团队指出，这种式引入了不要的归纳偏差，与东说念主类视觉感知以火去蛾中。 东说念主类在阅读复短文档、表格或跟踪螺旋线条时，视野是受语义蚁集运行的"因果流"，后次注释往往因果依赖于上次注释，而非单纯的空间坐标移动。

受此领略机制启发，DeepSeek-OCR 2 的中枢组件 DeepEncoder V2 被谋划用于赋予编码器因果理身手。通过引入可学习的"因果流查询"（Causal Flow Queries），模子能够在干涉 LLM 解码器进行内容讲明之前，先在编码阶段就对视觉信息进行智能重排序。这内容上构建了个两联的 1D 因果理结构：先由编码器在语义上重组视觉 Token，随后由解码器对有序序列进行自总结理。 这种谋划不仅符光学文本、表格和公式的非线布局特征东营塑料挤出机，还有弥补了 2D 图像结构与 1D 话语建模之间的限制。

弃用 CLIP 架构，转向 LLM 式编码器

DeepEncoder V2 在架构上实际了要紧变革，将 DeepEncoder 华夏有的 CLIP 组件替换为紧凑的 LLM 式架构（具体为 Qwen2-0.5B）。为了兑现并行料理，隔热条PA66新架构引入了组可学习的查询向量，称为"因果流 Token "，并将原始视觉 Token 看成前缀拼接到序列中。

该架构禁受了种定制化的留意力掩码（Attention Mask）政策：

视觉 Token 部分：保留双向留意力机制，确保模子能够像 CLIP 样领有全局感受野，捕捉图像的举座特征。

因果流 Token 部分：禁受因果留意力机制（肖似 Decoder-only LLM），每个查询 Token 只可贯注之前的 Token。

通过这种谋划，视觉 Token 保握了信息的全局交互，而因果流 Token 则取得了重排序视觉信息的身手。DeepSeek-OCR 2 禁受了多编著政策（Multi-crop strategy），把柄图像分辨率不同，终输入 LLM 的重排序视觉 Token 总额在 256 到 1120 之间。这数目显耀低于部分竞品达 6000 以上的 Token 消费，在保证能的同期大幅裁汰了计较支出。

能显耀擢升与坐褥环境考据

在 OmniDocBench v1.5 的综评估中，DeepSeek-OCR 2 进展异。数据显现，在雷同的查考数据源下，新模子相较于 DeepSeek-OCR 基线模子取得了 3.73 的能擢升。相配是在阅读规则（Reading Order）的编著距离（Edit Distance）方向上，DeepSeek-OCR 2 从 0.085 显耀裁汰至 0.057，这径直考据了 DeepEncoder V2 在逻辑重排序面的有。

除了基准测试，DeepSeek 还露馅了该模子在内容坐褥管线中的进展。DeepSeek-OCR 2 主要业绩于 DeepSeek-LLMs 的在线 OCR 业绩及 PDF 预查考数据料理。在莫得真值（Ground Truth）的坐褥环境中，疏通率（Repetition Rate）是预计质地的中枢方向。数据显现，在料理在线用户日记图像时，DeepSeek-OCR 2 将疏通率从 6.25 裁汰至 4.17; 在 PDF 数据坐褥中，疏通率从 3.69 降至 2.88。这标明新模子在生成质地、低冗余的文本数据面具备的实用价值。

通向原生多模态与真确的 2D 理

DeepSeek-OCR 2 的发布不仅是次 OCR 能的升，具有远的架构探索兴致。DeepEncoder V2 初步考据了使用话语模子架构看成视觉编码器的后劲。这种架构袭取了 LLM 社区在基础相貌化面的遵循，如混（MoE）架构和留意力机制。

DeepSeek 团队觉得，这为迈向统的全模态编码器提供了条有但愿的旅途。改日，单编码器可能通过确立特定模态的可学习查询，在同参数空间内兑现对图像、音频和文本的特征索求与压缩。DeepSeek-OCR 2 所展示的"两个联的 1D 因果理器"模式，通过将 2D 蚁集剖释为"阅读逻辑理"和"视觉任务理"两个互补子任务，约略代表了兑现真确 2D 理的种冲突架构法。

多音书东营塑料挤出机，握续新中……