DeepSeek又拿第一！首創「因果流」視覺推理，超越Gemini

來源：新智元

編輯：定慧 好困

【導讀】DeepSeek開源DeepSeek-OCR2，引入了全新的DeepEncoder V2視覺編碼器。該架構打破了傳統模型按固定順序（從左上到右下）掃描圖像的限制，轉而模仿人類視覺的「因果流（Causal Flow）」邏輯。

DeepSeek又雙叒叕更新了！

這次是DeepSeek-OCR模型的重磅升級：DeepSeek-OCR2。

還記得上一代DeepSeek-OCR嗎？那個用視覺方式壓縮一切的模型。

這一次，DeepSeek更進一步，對視覺編碼器下手了，提出了一種全新的DeepEncoder V2架構，實現了視覺編碼從「固定掃描」向「語義推理」的范式轉變！

DeepSeek-OCR2不僅能像人類一樣按邏輯順序閱讀復雜文檔，還在多項基準測試中刷新了SOTA。

當然，按照DeepSeek的慣例，Paper、Code、Model全開源！

項目地址：

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

模型下載：

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

論文地址：

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

DeepSeek-OCR2的核心創新在于通過DeepEncoder V2，賦予了模型因果推理能力（Causal Reasoning）。

這就像是給機器裝上了「人類的閱讀邏輯」，讓AI不再只是死板地從左上到右下掃描圖像，而是能根據內容語義靈活調整閱讀順序。

DeepSeek-OCR2

視覺因果流

DeepSeek在論文中指出，傳統的視覺語言模型（VLM）通常采用光柵掃描（Raster-Scan）順序處理圖像，即固定地從左到右、從上到下。

這種方式強行將2D圖像拍扁成1D序列，忽略了圖像內部的語義結構。

這顯然與人類的視覺習慣背道而馳。

人類在看圖或閱讀文檔時，目光是隨著邏輯流動的：先看標題，再看正文，遇到表格會按列或按行掃視，遇到分欄會自動跳躍。

為了解決這個問題，DeepSeek-OCR2引入了DeepEncoder V2。

它最大的特點是用一個輕量級的大語言模型（Qwen2-0.5B）替換了原本的CLIP編碼器，并設計了一種獨特的「因果流查詢」（Causal Flow Query）機制。

DeepEncoder V2架構詳解

DeepEncoder V2主要由兩部分組成：

1. 視覺分詞器（Vision Tokenizer）

沿用了SAM-base（80M參數）加卷積層的設計，將圖像轉換為視覺Token。

2. 作為視覺編碼器的LLM

這里DeepSeek使用了一個Qwen2-0.5B模型。

它不僅處理視覺Token，還引入了一組可學習的「查詢Token」（Query Tokens）。

關鍵的創新點在于注意力掩碼（Attention Mask）的設計：

視覺Token之間采用雙向注意力（Bidirectional Attention），保持全局感知能力，類似于ViT。

而查詢Token則采用因果注意力（Causal Attention），每一個查詢Token只能看到它之前的Token。

通過這種設計，DeepEncoder V2實現了兩級級聯的因果推理：

編碼器通過可學習的查詢對視覺Token進行語義重排，隨后的LLM解碼器則在這個有序序列上進行自回歸推理。

這意味著，DeepSeek-OCR2在編碼階段就已經把圖像里的信息「理順」了，而不是一股腦地扔給解碼器。

Token更少，精度更高

實驗數據顯示，DeepSeek-OCR2在保持極高壓縮率的同時，性能顯著提升。

在OmniDocBench v1.5基準測試中，DeepSeek-OCR2在使用最少視覺Token（僅256-1120個）的情況下，綜合得分高達91.09%，相比前代提升了3.73%。

特別值得一提的是，在閱讀順序（R-order）的編輯距離（Edit Distance）指標上，DeepSeek-OCR2從前代的0.085顯著降低到了0.057。

這直接證明了新模型在處理復雜版面時，邏輯性更強，更懂「閱讀順序」。

在和Gemini-3 Pro等閉源強模型的對比中，DeepSeek-OCR2也絲毫不落下風。

在均使用約1120個視覺Token的情況下，DeepSeek-OCR2的文檔解析編輯距離（0.100）優于Gemini-3 Pro（0.115）。

不僅是刷榜，DeepSeek-OCR2在實際生產環境中也非常能打。

DeepSeek披露，在處理在線用戶日志圖像時，OCR結果的重復率從6.25%降到了4.17%；在PDF數據生產場景中，重復率從3.69%降到了2.88%。

這意味著模型生成的文本更加干凈、準確，對于作為LLM訓練數據的清洗流水線來說，價值巨大。

邁向真正的多模態統一

DeepSeek在論文最后提到，DeepSeek-OCR2通過DeepEncoder V2驗證了「LLM作為視覺編碼器」的可行性。

這不僅是一個OCR模型的升級，更是邁向原生多模態（Native Multimodality）的重要一步。

未來，同一個編碼器只要配備不同的模態查詢嵌入（Query Embeddings），就能處理文本、圖片、音頻等多種模態的數據，真正實現萬物皆可Token，萬物皆可因果推理。

DeepSeek表示，雖然目前光學文本識別（OCR）是LLM時代最實用的視覺任務之一，但這只是視覺理解宏大圖景的一小部分。

DeepSeek將繼續探索，向著更通用的多模態智能進發。

參考資料：

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

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。