IT之家1月27日消息，DeepSeek今日公布了其最新一代文档识别模型DeepSeek-OCR2。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DeepEncoderV2的新型编码器结构，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-OCR2的改进重点在于引入“视觉因果流”的概念。在DeepEncoderV2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”。这些查询token通过定制化的注意力机制，在保留视觉token全局双向注意力的同时，自身采用因果注意力，只能访问已有信息，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会被送入后续的语言模型解码器，用于生成识别结果。

在整体架构上，DeepSeek-OCR2仍然沿用了编码器—解码器的基本范式。图像首先经过一个视觉tokenizer，被压缩为较少数量的视觉token，再由DeepEncoderV2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。

在实验评估方面，研究团队选用了OmniDocBenchv1.5作为主要测试基准。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-OCR2的整体得分达到91.09%，相较DeepSeek-OCR提升了3.73%。其中，与文档阅读顺序相关的编辑距离指标下降较为明显，显示模型在处理文档逻辑结构方面取得了改进。

IT之家注意到，论文还给出了模型在实际应用场景中的表现对比。在在线OCR服务和批量PDF预处理等生产环境中，由于缺乏人工标注作为参考，研究团队以输出重复率作为质量指标。结果显示，DeepSeek-OCR2在这两类数据上的重复率均低于前代模型，表明其在真实数据分布下具有更稳定的输出表现。