阿里半夜剛發(fā)完旗艦?zāi)Ｐ?，這邊 DeepSeek坐不住了，突然發(fā)布更新了。

剛剛，DeepSeek 發(fā)布了 新模型 DeepSeek-OCR 2，采用創(chuàng)新的DeepEncoder V2方法，讓AI能夠根據(jù)圖像的含義動態(tài)重排圖像的各個部分，更接近人類的視覺編碼邏輯。

如果說去年 10 月 DeepSeek-OCR 的發(fā)布，讓行業(yè)第一次意識到“視覺壓縮”可能是一條被嚴(yán)重低估的技術(shù)路線，那么現(xiàn)在，DeepSeek 顯然決定把這條路走得更激進(jìn)一些。

DeepSeek-OCR 2 有何不同？

在傳統(tǒng) OCR 體系中，無論是經(jīng)典的字符檢測—識別流水線，還是近年來多模態(tài)模型中的視覺編碼模塊，本質(zhì)上都遵循同一種思路：對圖像進(jìn)行均勻、規(guī)則的掃描和編碼，再將結(jié)果交給語言模型或后續(xù)模塊處理。

這種方式的問題在于，它并不關(guān)心“哪些視覺區(qū)域真正重要”。

DeepSeek-OCR 1 之所以在當(dāng)時引發(fā)討論，正是因?yàn)樗鼘?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(nèi)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(jìn)一步推進(jìn)。

根據(jù)技術(shù)報告，DeepEncoder V2 不再將視覺編碼視為一次靜態(tài)的、固定策略的掃描過程，而是引入了語義驅(qū)動的動態(tài)編碼機(jī)制。模型會在編碼階段就開始判斷哪些區(qū)域更可能承載關(guān)鍵信息，并據(jù)此調(diào)整視覺 token 的分配與表達(dá)方式。

換句話說，視覺編碼不再只是“預(yù)處理”，而是已經(jīng)提前進(jìn)入了“理解階段”。

和 DeepSeek 過往幾乎所有重要發(fā)布一樣，這一次依然選擇了模型、代碼與技術(shù)報告同時開源。項(xiàng)目、論文和模型權(quán)重已同步上線：

項(xiàng)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