DeepSeek 宣布发布其下一代文档识别模型 DeepSeek-OCR2。该模型在可视化编码器设计上取得了重大突破，旨在解决传统模型在处理复杂文档布局时缺乏逻辑结构的问题。
DeepSeek-OCR2 的核心亮点是其自开发的 DeepEncoder V2 编码器。与传统的视觉模型以固定网格顺序从左到右、从上到下处理图像不同，新模型引入了“视觉因果流”的概念。它可以根据图像语义动态调整信息处理顺序，智能地在识别文本前对视觉内容进行排序，从而使机器的阅读逻辑更符合人类对表格、公式和复杂文档的理解。
在架构方面，该模型继续采用高效的编码-解码框架。经过DeepEncoder V2的语义建模和重排序后，图像由专家混合（MoE）语言模型解码。实验数据显示，在OmniDocBench v1.5基准测试中，DeepSeek-OCR2的总得分为91.09%，比之前版本提升了3.73%。尤其是在阅读顺序准确性方面，其编辑距离显著减少，表明模型在恢复内容结构方面的能力更强。
此外，DeepSeek-OCR2在实际应用中也展现出更强的稳定性。在 PDF 批处理和在线日志数据的测试中，识别重复率显著降低。这意味着模型在保持低资源消耗的同时，能够提供更高质量、更合逻辑的识别输出。
