DeepSeek OCR 2技术解析：从固定顺序到因果推理的视觉编码器创新

DeepSeek OCR 2在视觉模型编码器架构上实现创新，突破传统图片从左上到右下逐行扫描方式。该模型通过集成小型LLM推理图片块间的因果关系，对token进行逻辑顺序重排序，使模型更接近人类认知方式理解图像。这种创新提升了性能并降低计算开销，作者推测未来OCR系列与V系列语言模型可能融合，V4或将具备初步视觉能力，为多模态AI发展提供新方向。

拥抱AGI

495人浏览 · 2026-01-29 17:39:37

拥抱AGI · 2026-01-29 17:39:37 发布

看了下 DeepSeek OCR 2 的论文，以我二把刀的知识分析一下。

这次是一个视觉模型编码器架构上的创新，主流的视觉模型编码器的方式是把图片分成一个个小块，变成一个个token，然后按照从左上到右下逐行扫描的顺序一个个输入给模型。这其实和现在的 LLM 工作原理很像，只不过 LLM 是一串文本的 token，这里是一个个图片块的 token。然后还是 attention 那套两两比较，计算出每个 token 之间的关联关系，这样就可以通过不同 token 之间 attention 的权重关系得出不同图像块之间的关联，模型也就理解了整个图片。

看上去这个思路很好，统一了图片和文本的处理方式，但是图片和文本有个显著的区别，文本可以看做是一个一维的表现形式，你从左到右按顺序读，文本的逻辑大概率也是按照这个方向展开的。但是图片是个二维的表现形式，图片的逻辑并不是按照从左上到右下，图片里可能有斜线有曲线甚至有螺旋线，还是按照从左上到右下拆成的一维顺序是不是最有效的？至少人类看图片是不遵循这个顺序的。

虽然通过位置编码的方式可以把位置信息也加入到 attention 的计算，但是主流的位置编码也是基于文本一维顺序做的，是不是能很好的对图片这种二维表现形式进行位置编码呢？

DeepSeek OCR 2 的架构创新就在这里，他们在编码器里附加了一个小型的 LLM 可以推理出图片之间各个块的因果关系，然后按照关联关系对 token 进行重排序。可以认为模型是按照逻辑顺序去看图片而不是无脑的从左上到右下，这个逻辑顺序也会更接近人看图片的顺序。

性能提升，开销下降这属于 DeepSeek 的常规操作这里就不提了。我在想有没有可能视觉模型才是能力更强的模型的方向？

论文里提到这个模型主要作用还是读文档来生成语料，给 V 系列的语言模型用，但有没有可能把 OCR 系列和 V 系列直接融合。一方面图片里其实包含了文本里无法体现的内容信息，另一方面图片还比文本更节约 token。

按照 DeepSeek 一贯喜欢融合模型的作风，我觉得可以期待一下 V4 是个有初步视觉能力的模型了。

最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

在这里插入图片描述

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述