DeepSeek-OCR 2 正式上线：引入“视觉因果流”，文档识别更贴近人类阅读逻辑

DeepSeek 发布了下一代文档识别模型 DeepSeek-OCR2。它在视觉编码器设计方面带来显著升级，旨在补齐传统模型在处理复杂排版文档时逻辑理解不足的短板。

DeepSeek-OCR2 的核心卖点是自研的 DeepEncoder V2 编码器。不同于传统视觉模型沿用从左到右、从上到下的固定栅格处理路径，新模型提出“视觉因果流”概念。它会根据页面语义动态安排信息的处理顺序，先对视觉内容做智能重排，再进行文字识别，使机器的阅读过程更符合人类在表格、公式及复杂文档中的理解方式。

在架构层面，模型延续高效的编解码思路：图像先由 DeepEncoder V2 完成语义建模与顺序重组，随后交给 MoE（混合专家）语言模型进行解码。实测结果显示，在 OmniDocBench v1.5 基准中，DeepSeek-OCR2 的总体得分达到 91.09%，相比前代提升 3.73%。在阅读顺序的准确度方面，编辑距离明显下降，表明模型对内容结构的复原能力更强。

同时，DeepSeek-OCR2 在实用场景中也更稳健：在 PDF 批处理与在线日志数据的测试中，重复识别率显著降低。这意味着在保持低算力成本的前提下，模型能提供更高质量且更具逻辑性的识别输出。

划重点:

• 语义驱动的动态排序: DeepSeek-OCR2 借助“视觉因果流”，突破固定栅格的读取顺序，实现按语义组织的动态阅读。

• 性能显著跃升: 在权威基准测试中，总体表现提升 3.73%，阅读顺序更精准，编辑距离更低。

• 高效 MoE 设计: 模型延续 MoE 解码方案，在不增加算力负担的情况下，进一步提升识别精度与稳定性。