最近国产 AI 扎堆更新。

这次轮到 DeepSeek。

昨天，DeepSeek 悄悄发布了 OCR 模型的升级版 DeepSeek-OCR 2，论文标题叫「Visual Causal Flow」，翻译过来是「视觉因果流」。

代码、模型权重、完整论文，全部开源。

DeepSeek-OCR 2 论文，标题「Visual Causal Flow」。

先说结论：

这个模型不再像扫描仪一样机械地从左上角读到右下角，而是根据内容语义动态调整阅读顺序。就像人读报纸会先看标题再看正文，遇到表格会按行或列理解一样。

在 OmniDocBench v1.5 基准测试上，整体得分 91.09%，比前代提升 3.73%。

阅读顺序的编辑距离从 0.085 降到 0.057，意味着新模型真的能更好地理解文档结构。

---

传统的视觉语言模型在处理图像时，会把图片切成一块块的视觉 token，然后按照固定的顺序投喂给模型。

这个顺序是从左上角开始，一行一行扫到右下角，就像打印机一样。

但人类不是这样阅读的。

我们读一份报告，会先看标题，再看摘要，然后跳到感兴趣的章节。遇到表格会按列或按行来理解，遇到公式会先看整体结构再看细节。

这是一种基于语义和逻辑关系的阅读方式，DeepSeek 在论文里把它叫做「因果流」。

下一步看哪里，取决于上一步看到了什么。

传统模型的机械扫描顺序，和人类的因果阅读逻辑，完全是两回事。

这就是 DeepSeek-OCR 2 要解决的核心问题。

传统视觉模型架构（DETR 和 BLIP2），查询 token 之间使用非因果注意力，没有阅读顺序的概念。

---

新模型的核心组件叫 DeepEncoder V2。

它有一个关键改动：用一个 5 亿参数的语言模型 Qwen2-0.5B 替换了原来的 CLIP 视觉编码器。

这里引入了一套全新的处理方式。

打个比方。你拿到一份杂乱的文档，会怎么读？

先快速扫一眼，知道大概有哪些内容、在什么位置。

这是「全局感知」。

然后根据内容的逻辑关系，决定先读什么、后读什么。标题、正文、表格、注释，按理解顺序依次处理。

这是「逻辑重排」。

DeepEncoder V2 就是这么干的。

DeepSeek-OCR 2 完整架构：左侧压缩，中间 DeepEncoder V2 实现全局感知 + 逻辑重排，右侧解码器生成输出。

第一组 token 负责「全局感知」，它们之间可以互相看到，确保不漏掉任何信息。

第二组 token 负责「逻辑重排」，它们按严格的先后顺序工作。每一步只能基于前面已经处理过的内容来决定下一步该关注什么。

最终送入解码器的是第二组 token。

它们已经按语义逻辑排好了队，而不是原来那种从左上到右下的机械顺序。

DeepSeek 把这叫做「两级级联因果推理」。

先用第一级理解全局，再用第二级重排顺序。

---

之前说了，在 OmniDocBench v1.5 基准测试上，DeepSeek-OCR 2 整体得分 91.09%，比前代提升 3.73%。

OmniDocBench v1.5 完整评测，DeepSeek-OCR 2 以 1120 个 token 达到 91.09% 准确率，超过需要 6000+ token 的竞品。

更有意思的是阅读顺序这个指标。

编辑距离从 0.085 降到 0.057。这个数字代表模型输出的内容顺序和标准顺序之间的差异，越低越好。

文档解析编辑距离对比，DeepSeek-OCR 2 的 0.100 优于 Gemini 3 Pro 的 0.115。

新模型不仅识别得更准，还能更好地理解文档的逻辑结构。

在相近的视觉 token 数量下，DeepSeek-OCR 2 的文档解析编辑距离是 0.100，Gemini 3 Pro 是 0.115。

DeepSeek 用的视觉 token 上限是 1120，和 Gemini 3 Pro 持平。

但很多其他 OCR 或视觉模型动辄需要 6000 甚至 7000 个 token。

高压缩率 + 高准确率，DeepSeek-OCR 2 同时做到了。

---

重复输出是 OCR 的常见问题，同一段内容被识别多次。

视觉因果流的引入有效缓解了这个问题。

在生产环境中，用户上传图片的重复输出率从 6.25% 降到 4.17%，批量 PDF 处理的重复率从 3.69% 降到 2.88%。

生产环境重复输出率对比，用户图片从 6.25% 降到 4.17%，PDF 从 3.69% 降到 2.88%。

但 DeepSeek-OCR 2 也不是万能的。

在报纸类文档上，识别准确率甚至略低于前代模型。原因是报纸版面密集、训练数据中报纸样本只有 25 万张。

这是端到端模型的老问题，性能高度依赖训练数据的广度与质量。

DeepEncoder V2 验证了 LLM 架构可以做视觉编码器。

同一套编码器，只需要配置不同的模态查询嵌入，就能处理文本、图像、音频。

一个统一的全模态编码器，是 DeepSeek 的下一步目标。

---

回看 DeepSeek 2026 开年来的动作，mHC 解决训练稳定性，Engram 实现查-算分离，现在 OCR 2 重构视觉理解。

三篇论文看似各自独立，实则指向同一个方向：

「用更聪明的架构设计，而不是更多的算力。」

---

参考链接

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

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

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

---

我是木易，Top2 + 美国 Top10 CS 硕，现在是 AI 产品经理。

关注「AI信息Gap」，让 AI 成为你的外挂。

---