DeepSeek 推出 OCR2：视觉 Token 用量锐减 80%，文档解析力赶超 Gemini 3 Pro

 中国 AI 头部企业 DeepSeek 近日发布全新的视觉编码器 DeepSeek OCR2，在文档处理与图像识别领域取得重大进展。该模型模仿人类视觉的灵活扫视方式，打破传统视觉模型逐格平铺处理的旧逻辑。

DeepSeek 的研究人员表示，人眼在观察时会根据内容进行选择性聚焦。为实现这一点，DeepSeek OCR2 采用了全新架构，不再使用传统的 CLIP 组件，改为轻量语言模型式设计。该架构通过“因果流 Token”重新编排视觉信息并整合上下文，让 AI 更像人类一样，按内容意义而非固定网格顺序来“观察”世界。

这种创新的处理方式不仅提升理解力，还显著优化了效率。在相同图像任务中，DeepSeek OCR2 仅需 256 到 1，120 个 Token，而许多同类系统通常要消耗 6，000 个以上。其视觉 Token 用量减少超过 80%。这份极高的压缩率让模型在处理长文档时更省成本、更提速度。

在权威的 OmniDocBench 基准测试中，该模型以 91.09% 的成绩刷新纪录，在文档解析表现上全面超越 Gemini3Pro。目前，DeepSeek 已将该模型的代码与权重向公众开放。研究团队认为，这一架构是迈向统一多模态处理的重要一步，未来有望在同一框架下实现文本、语音与图像的深度融合理解。

划重点:

• 🚀 能效巅峰: DeepSeek OCR2 将单张图像的视觉 Token 需求大幅压缩，相比同类系统减少约 80% 的资源消耗。

• 📑 性能超越: 在 OmniDocBench 测试中，模型在文档解析与阅读顺序识别方面表现亮眼，准确率领先 Gemini3Pro。

• 🧠 架构创新: 借助“因果流 Token”重组视觉信息，模型从机械式扫描跨越到按内容逻辑进行理解。