智東西
作者 陳駿達(dá)
編輯 云鵬

智東西1月27日?qǐng)?bào)道，剛剛，DeepSeek開源了其面向OCR場(chǎng)景的專用模型DeepSeek-OCR 2，技術(shù)報(bào)告同步發(fā)布。這一模型是對(duì)去年DeepSeek-OCR模型的升級(jí)，其采用的新型解碼器讓模型看圖、讀文件的順序更像人，而不是像機(jī)械的掃描儀。

簡(jiǎn)單來說，以前的模型閱讀模式是從左上到右下，地毯式掃一遍圖片，DeepSeek-OCR 2則能夠理解結(jié)構(gòu)，按結(jié)構(gòu)一步步讀。這種新的視覺理解模式，讓DeepSeek-OCR 2可以更好地理解復(fù)雜的布局順序、公式和表格。

在文檔理解基準(zhǔn)測(cè)試OmniDocBench v1.5上，DeepSeek-OCR 2拿到了91.09%的得分，在訓(xùn)練數(shù)據(jù)和編碼器都不變的前提下，較DeepSeek-OCR提升了3.73%。與其他端到端的OCR模型相比，這已經(jīng)是SOTA成績(jī)，但其表現(xiàn)要略遜于百度的PaddleOCR-VL（92.86%）OCR管線。

同時(shí)，在相似的視覺token預(yù)算下，DeepSeek-OCR 2在文檔解析方面的編輯距離（編輯為正確文本所需的工作量）低于Gemini-3 Pro，這證明DeepSeek-OCR 2在確保優(yōu)越性能的同時(shí)保持了視覺token的高壓縮率。

DeepSeek-OCR 2兼具雙重價(jià)值：既可作為新型VLM（視覺語言模型）架構(gòu)進(jìn)行探索性研究，也能作為生成高質(zhì)量預(yù)訓(xùn)練數(shù)據(jù)的實(shí)用工具，服務(wù)于大語言模型的訓(xùn)練過程。

論文鏈接：

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

開源地址：

https://github.com/deepseek-ai/DeepSeek-OCR-2?tab=readme-ov-file

一、大模型不懂復(fù)雜文件結(jié)構(gòu)？先觀察全局再閱讀便可解決

從架構(gòu)上來看，DeepSeek-OCR 2繼承了DeepSeek-OCR的整體架構(gòu)，該架構(gòu)由編碼器和解碼器組成。編碼器將圖像離散化為視覺token，而解碼器根據(jù)這些視覺token和文本提示生成輸出。

關(guān)鍵區(qū)別在于編碼器：DeepSeek將此前的DeepEncoder升級(jí)為DeepEncoder V2，它保留了原有的所有能力，但把原本基于CLIP的編碼器換成基于LLM的，同時(shí)通過新的架構(gòu)設(shè)計(jì)引入了因果推理。

DeepEncoder V2關(guān)注的核心問題在于：當(dāng)二維結(jié)構(gòu)被映射為一維序列并綁定線性順序后，模型在建模空間關(guān)系時(shí)不可避免地受到該順序的影響。

這在自然圖像中可能尚可接受，但在OCR、表格、表單等具有復(fù)雜布局的場(chǎng)景中，線性順序往往與真實(shí)的語義組織方式嚴(yán)重不匹配，從而限制模型對(duì)視覺結(jié)構(gòu)的表達(dá)能力。

DeepEncoder V2是如何緩解這一問題的？它首先采用視覺tokenizer對(duì)圖像進(jìn)行高效表示，通過窗口注意力實(shí)現(xiàn)約16倍的token壓縮，在顯著降低后續(xù)全局注意力計(jì)算與顯存開銷的同時(shí)，保持了充分的局部與中尺度視覺信息。

它并未依賴位置編碼來規(guī)定視覺token的語義順序，而是引入因果流查詢（causal queries），通過內(nèi)容感知的方式對(duì)視覺標(biāo)記進(jìn)行重排序與蒸餾。這種順序不是由空間展開規(guī)則決定，而是由模型在觀察全局視覺上下文后逐步生成，從而避免了對(duì)固定一維順序的強(qiáng)依賴。

每個(gè)因果查詢可以關(guān)注所有視覺token及先前查詢，從而在保持token數(shù)量不變的前提下，對(duì)視覺特征進(jìn)行語義重排序與信息蒸餾。最終，僅因果查詢的輸出被送入下游LLM解碼器。

該設(shè)計(jì)本質(zhì)上形成了兩級(jí)級(jí)聯(lián)的因果推理過程：首先，編碼器內(nèi)部通過因果查詢對(duì)無序的視覺標(biāo)記進(jìn)行語義排序。隨后，LLM解碼器在此有序序列上執(zhí)行自回歸推理。

相較于通過位置編碼強(qiáng)制施加空間順序的做法，因果查詢所誘導(dǎo)的順序更貼合視覺語義本身，也就是符合人類閱讀內(nèi)容的正常習(xí)慣。

由于DeepSeek-OCR 2主要關(guān)注編碼器改進(jìn)，沒有對(duì)解碼器組件進(jìn)行升級(jí)。遵循這一設(shè)計(jì)原則，DeepSeek保留了DeepSeek-OCR的解碼器：一個(gè)具有約5億活躍參數(shù)的3B參數(shù)MoE結(jié)構(gòu)。

二、OmniDocBench得分達(dá)91.09%，編輯距離低于Gemini-3 Pro

為了驗(yàn)證上述設(shè)計(jì)的有效性，DeepSeek進(jìn)行了實(shí)驗(yàn)。研究團(tuán)隊(duì)分三個(gè)階段訓(xùn)練DeepSeek-OCR 2：編碼器預(yù)訓(xùn)練、查詢?cè)鰪?qiáng)和解碼器專業(yè)化。

第一階段使視覺tokenizer和LLM風(fēng)格的編碼器獲得特征提取、token壓縮和token重排序的基本能力。第二階段進(jìn)一步增強(qiáng)了編碼器的token重排序能力，同時(shí)增強(qiáng)了視覺知識(shí)壓縮。第三階段凍結(jié)編碼器參數(shù)，僅優(yōu)化解碼器，從而在相同的FLOPs下實(shí)現(xiàn)更高的數(shù)據(jù)吞吐量。

為評(píng)估模型效果，DeepSeek選擇OmniDocBench v1.5作為主要的評(píng)估基準(zhǔn)。該基準(zhǔn)包含1355個(gè)文檔頁面，涵蓋中英文的9個(gè)主要類別（包括雜志、學(xué)術(shù)論文、研究報(bào)告等）。

DeepSeek-OCR 2在僅使用最小的視覺標(biāo)記上限（V-token maxmax）的情況下，達(dá)到了91.09%的性能。與DeepSeek-OCR基線相比，在相似的訓(xùn)練數(shù)據(jù)源下，它表現(xiàn)出3.73%的改進(jìn)，驗(yàn)證了新架構(gòu)的有效性。

除了整體改進(jìn)外，閱讀順序（R-order）的編輯距離（ED）也顯著下降（從0.085降至0.057），這表明新的DeepEncoder V2可以根據(jù)圖像信息有效地選擇和排列初始視覺標(biāo)記。

在相似的視覺標(biāo)記預(yù)算（1120）下，DeepSeek-OCR 2（0.100）在文檔解析方面的編輯距離低于Gemini-3 Pro（0.115），進(jìn)一步證明新模型在確保性能的同時(shí)保持了視覺標(biāo)記的高壓縮率。

不過，DeepSeek-OCR 2也不是全能的。在文本密度超高的報(bào)紙上，DeepSeek-OCR 2識(shí)別效果沒有其他類型的文本好。這一問題后續(xù)可以通過增加局部裁剪數(shù)量來解決，或者在訓(xùn)練過程中提供更多的樣本。

結(jié)語：或成新型VLM架構(gòu)開端

DeepEncoder V2為L(zhǎng)LM風(fēng)格編碼器在視覺任務(wù)上的可行性提供了初步驗(yàn)證。更重要的是，DeepSeek的研究團(tuán)隊(duì)認(rèn)為，該架構(gòu)具有演變?yōu)榻y(tǒng)一全模態(tài)編碼器的潛力。這樣的編碼器可以在同一參數(shù)空間內(nèi)壓縮文本、提取語音特征和重組視覺內(nèi)容。

DeepSeek稱，DeepSeek-OCR的光學(xué)壓縮代表了向原生多模態(tài)的初步探索，未來，他們還將繼續(xù)探索通過這種共享編碼器框架集成額外模態(tài)，成為研究探索的新型VLM架構(gòu)的開端。