DeepSeek團(tuán)隊(duì)近日宣布推出全新升級(jí)的DeepSeek-OCR2模型，該模型通過引入創(chuàng)新的DeepEncoder V2視覺編碼器架構(gòu)，實(shí)現(xiàn)了視覺處理范式的重大突破。與傳統(tǒng)模型機(jī)械式的圖像掃描方式不同，新架構(gòu)模擬人類視覺認(rèn)知的因果邏輯流，能夠根據(jù)內(nèi)容語義動(dòng)態(tài)調(diào)整信息處理順序。

核心技術(shù)創(chuàng)新在于視覺編碼器的重構(gòu)。研究團(tuán)隊(duì)采用輕量化Qwen2-0.5B語言模型替代傳統(tǒng)CLIP編碼器，構(gòu)建了包含視覺分詞器和因果查詢機(jī)制的雙模塊架構(gòu)。視覺分詞器沿用SAM-base架構(gòu)配合卷積層，將圖像轉(zhuǎn)換為視覺標(biāo)記；而獨(dú)特的因果流查詢機(jī)制通過可學(xué)習(xí)的查詢標(biāo)記，配合雙向與因果混合的注意力掩碼設(shè)計(jì)，實(shí)現(xiàn)了視覺信息的語義重排。

實(shí)驗(yàn)數(shù)據(jù)顯示，新模型在保持極高壓縮率的同時(shí)顯著提升處理精度。在OmniDocBench v1.5基準(zhǔn)測試中，使用256-1120個(gè)視覺標(biāo)記的DeepSeek-OCR2取得91.09%的綜合得分，較前代提升3.73%。特別值得注意的是，閱讀順序編輯距離指標(biāo)從0.085優(yōu)化至0.057，證明模型在復(fù)雜版面處理中展現(xiàn)出更強(qiáng)的邏輯性。

與閉源強(qiáng)模型Gemini-3 Pro的對比測試中，DeepSeek-OCR2在約1120個(gè)視覺標(biāo)記的條件下，文檔解析編輯距離達(dá)到0.100，優(yōu)于對手的0.115。生產(chǎn)環(huán)境測試顯示，該模型使在線用戶日志圖像的OCR結(jié)果重復(fù)率從6.25%降至4.17%，PDF數(shù)據(jù)處理重復(fù)率從3.69%降至2.88%，顯著提升了數(shù)據(jù)清洗效率。

研究團(tuán)隊(duì)強(qiáng)調(diào)，這項(xiàng)突破驗(yàn)證了"語言模型作為視覺編碼器"的技術(shù)路徑可行性。通過配備不同模態(tài)的查詢嵌入，同一編碼器架構(gòu)未來有望同時(shí)處理文本、圖像、音頻等多模態(tài)數(shù)據(jù)，為構(gòu)建原生多模態(tài)系統(tǒng)奠定基礎(chǔ)。目前模型代碼、論文及預(yù)訓(xùn)練權(quán)重已在GitHub和HuggingFace平臺(tái)開源發(fā)布。