DeepEncoder V2，DeepSeek於2026年1月發布的大模型，是DeepSeek-OCR 2模型採用的方法。
DeepEncoder V2讓AI能夠根據圖像的含義動態重排圖像的各個部分，而不再只是機械地從左到右掃描。它模擬了人類在觀看場景時所遵循的邏輯流程，在處理布局複雜的圖片時，表現優於傳統的視覺-語言模型。模型僅需256到1120個視覺Token即可覆蓋複雜的文檔頁面，在OmniDocBench v1.5評測中，其綜合得分達到91.09%。
基本介紹
- 中文名：DeepEncoder V2
- 所屬公司：DeepSeek
發展歷史,主要功能,核心能力,技術特點,性能表現,意義與前景,
發展歷史
2026年01月27日，DeepSeek發布DeepSeek-OCR 2模型，採用DeepEncoder V2方法。
該架構使視覺編碼從固定掃描轉向語義推理。同時，DeepSeek團隊於2026年01月27日開源了DeepSeek-OCR 2模型及相關論文。
主要功能
DeepEncoder V2實現了視覺編碼從固定掃描向語義推理的範式轉變，讓AI能夠根據圖像的含義動態重排圖像的各個部分，而不再只是機械地從左到右掃描。其核心在於引入因果流查詢，通過內容感知的方式對視覺標記進行重排序與蒸餾，這種順序由模型在觀察全局視覺上下文後逐步生成，避免了固定一維順序的強依賴。
此外，該架構具有演變為統一全模態編碼器的潛力，可能在同一參數空間內壓縮文本、提取語音特徵和重組視覺內容，成為新型VLM架構的開端。
核心能力
DeepEncoder V2模擬了人類在觀看場景時所遵循的邏輯流程，其核心在於引入了因果流查詢（causal queries）機制，該機制允許編碼器在觀察全局視覺上下文後，動態地對視覺標記進行語義重排序與信息蒸餾，從而生成符合真實語義組織方式的閱讀順序。在處理布局複雜的圖片時，表現優於傳統的視覺-語言模型，例如在文檔理解基準測試OmniDocBench v1.5上，其綜合得分達到91.09%，實現了更智慧型、更具因果推理能力的視覺理解。
技術特點
DeepEncoder V2採用新的架構，實現了視覺編碼從固定掃描向語義推理的轉變，使AI能夠根據圖像的含義動態重排圖像的部分內容。具體而言，編碼器從DeepEncoder升級為DeepEncoder V2，基於LLM並引入因果推理，旨在處理二維結構映射為一維序列時線性順序與語義組織不匹配的問題。它採用視覺tokenizer進行表示，通過視窗注意力實現約16倍的token壓縮，並引入因果流查詢，對視覺標記進行重排序與蒸餾，其順序由模型觀察全局後生成，形成兩級級聯的因果推理過程。
模型需要256到1120個視覺Token來覆蓋複雜的文檔頁面，這一數量在同類模型中處於較低水平，有助於降低下游LLM的計算開銷。在OmniDocBench v1.5評測中，其綜合得分為91.09%，較前代提升了3.73%，在閱讀順序識別方面的表現有所提升。在相似的視覺token預算（1120）下，DeepSeek-OCR 2在文檔解析方面的編輯距離低於Gemini-3 Pro。
性能表現
在OmniDocBench v1.5評測中，其綜合得分達到91.09%，較前代提升了3.73%，特別是在閱讀順序識別方面表現出了更強的邏輯性。
與其他端到端OCR模型相比，該成績已達到SOTA水平，但略遜於百度的PaddleOCR-VL（92.86%）。在相似的視覺token預算下，其文檔解析的編輯距離（0.100）低於Gemini-3 Pro（0.115），證明了模型在保持高性能的同時具有較高的視覺token壓縮率。不過，模型也存在一定局限性，例如在文本密度極高的報紙類文檔上，其識別效果相對其他類型文本有所下降。
意義與前景
DeepEncoder V2為LLM風格編碼器在視覺任務上的可行性提供了初步驗證。該架構具有演變為統一全模態編碼器的潛力，可以在同一參數空間內壓縮文本、提取語音特徵和重組視覺內容。
它代表了向原生多模態的初步探索。未來可能通過共享編碼器框架集成額外模態，成為研究探索的新型VLM架構的開端。
