DeepSeek 突發OCR 2，采用基于Qwen的新架構

阿里半夜剛發完旗艦模型，這邊 DeepSeek坐不住了，突然發布更新了。

剛剛，DeepSeek 發布了 新模型 DeepSeek-OCR 2，采用創新的DeepEncoder V2方法，讓AI能夠根據圖像的含義動態重排圖像的各個部分，更接近人類的視覺編碼邏輯。在具體實現上，DeepSeek 團隊在論文中稱采用了Qwen2-0.5B來實例化這一架構。

如果說去年 10 月 DeepSeek-OCR 的發布，讓行業第一次意識到“視覺壓縮”可能是一條被嚴重低估的技術路線，那么現在，DeepSeek 顯然決定把這條路走得更激進一些。

DeepSeek-OCR 2 有何不同？

在傳統 OCR 體系中，無論是經典的字符檢測—識別流水線，還是近年來多模態模型中的視覺編碼模塊，本質上都遵循同一種思路：對圖像進行均勻、規則的掃描和編碼，再將結果交給語言模型或后續模塊處理。

這種方式的問題在于，它并不關心“哪些視覺區域真正重要”。

DeepSeek-OCR 1 之所以在當時引發討論，正是因為它將 OCR 看作一種 視覺壓縮問題：不是盡可能多地保留像素信息，而是將視覺內容壓縮成更有利于語言模型理解的中間表示。

而在 DeepSeek-OCR 2 中，這一思路被進一步推進。

根據技術報告，DeepEncoder V2 不再將視覺編碼視為一次靜態的、固定策略的掃描過程，而是引入了語義驅動的動態編碼機制。模型會在編碼階段就開始判斷哪些區域更可能承載關鍵信息，并據此調整視覺 token 的分配與表達方式。

換句話說，視覺編碼不再只是“預處理”，而是已經提前進入了“理解階段”。

和 DeepSeek 過往幾乎所有重要發布一樣，這一次依然選擇了模型、代碼與技術報告同時開源。項目、論文和模型權重已同步上線：

項目地址：https://github.com/deepseek-ai/DeepSeek-OCR-2

論文地址：https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf

模型地址：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2