深度求索團(tuán)隊近日宣布開源新一代文檔理解模型DeepSeek-OCR 2，并同步發(fā)布技術(shù)論文《DeepSeek-OCR 2: Visual Causal Flow》。該模型在綜合性文檔理解基準(zhǔn)OmniDocBench v1.5測試中取得91.09%的突破性成績，較前代提升3.73個百分點，尤其在復(fù)雜文檔的邏輯順序還原能力上實現(xiàn)質(zhì)的飛躍。

傳統(tǒng)OCR技術(shù)采用"機(jī)械掃描"式處理方式，通過固定網(wǎng)格切割圖像后按空間順序識別文字。這種模式在處理學(xué)術(shù)論文、金融報表等多欄排版文檔時，常出現(xiàn)邏輯斷裂、語義關(guān)聯(lián)丟失等問題。DeepSeek-OCR 2通過引入"視覺因果流"編碼范式，使模型具備自主推理文檔結(jié)構(gòu)的能力，實現(xiàn)從"機(jī)械掃描"到"智能閱讀"的認(rèn)知升級。

新模型的核心創(chuàng)新在于DeepEncoder V2架構(gòu)，該架構(gòu)通過三階段處理流程重構(gòu)文檔理解邏輯：首先利用雙向注意力機(jī)制建立全局視覺感知，繼而通過因果流查詢組件動態(tài)推導(dǎo)最優(yōu)閱讀順序，最終將高維視覺信息壓縮為富含語義的視覺標(biāo)記序列。這種處理方式使模型輸出的視覺序列自帶因果順序特征，為后續(xù)語言解碼提供結(jié)構(gòu)清晰的"思考藍(lán)圖"。

在性能表現(xiàn)上，DeepSeek-OCR 2展現(xiàn)出顯著優(yōu)勢。其視覺標(biāo)記壓縮率較前代提升40%，僅需256-1120個標(biāo)記即可精準(zhǔn)表示復(fù)雜文檔內(nèi)容，大幅降低下游計算負(fù)擔(dān)。在學(xué)術(shù)論文、財務(wù)報表等場景測試中，模型不僅能準(zhǔn)確識別文字，更能還原段落間的邏輯關(guān)系，輸出文本可直接用于分析歸檔。標(biāo)準(zhǔn)化編輯距離指標(biāo)提升33%，證明其在閱讀順序準(zhǔn)確性上的突破性進(jìn)展。

技術(shù)團(tuán)隊指出，該模型的價值不僅限于OCR領(lǐng)域。其驗證的因果流機(jī)制為多模態(tài)AI架構(gòu)提供新思路——未來模型或可通過類似機(jī)制，自主理解文本、圖像、音視頻等不同模態(tài)信息的內(nèi)在結(jié)構(gòu)，生成統(tǒng)一的語義表示。這種處理方式更接近人類認(rèn)知模式，有望推動跨模態(tài)理解與生成技術(shù)發(fā)展。

當(dāng)前模型在極端密集文本場景（如古典報紙）的識別效果仍有優(yōu)化空間。研究團(tuán)隊表示將持續(xù)改進(jìn)模型魯棒性，同時探索因果流機(jī)制在更多模態(tài)領(lǐng)域的應(yīng)用可能性。