DeepSeek-OCR 2是DeepSeek於2026年1月27日發布並開源的模型。同日，DeepSeek團隊發布了題為《DeepSeek-OCR 2： Visual Causal Flow》的論文。
該模型採用DeepEncoder V2架構，其設計旨在使視覺編碼從固定掃描轉向語義推理。在OmniDocBench v1.5評測中，其綜合得分為91.09%，較前代提升了3.73%。模型僅需256到1120個視覺Token即可覆蓋複雜的文檔頁面。在表格解析、多欄文檔理解和公式識別等任務中，閱讀順序的編輯距離從0.085降至0.057。線上用戶日誌圖像中的重複率從6.25%降至4.17%。該模型在文本密度超高的報紙類文檔上識別效果相對較弱。
基本介紹
- 外文名：DeepSeek-OCR 2
- 所屬公司：DeepSeek
發展歷史,產品簡介,技術意義,
發展歷史
2026開年未滿一個月，DeepSeek已發布兩篇創始人梁文鋒署名的論文，包括元旦的mHC架構論文和月中的Engram論文。隨後，2026年1月27日，DeepSeek發布全新DeepSeek-OCR2模型，該模型是對其前代DeepSeek-OCR的升級。同日，DeepSeek團隊發布了題為《DeepSeek-OCR 2： Visual Causal Flow》的論文並開源了該模型。該模型採用DeepEncoder V2架構，其設計旨在使視覺編碼從固定掃描轉向語義推理。具體而言，主要改進包括將原本基於CLIP的編碼器替換為輕量級語言模型(Qwen2-500M)，並引入了具有因果注意力機制的「因果流查詢」，使編碼器能夠根據圖像語義動態重排視覺Token。在OmniDocBench v1.5評測中，其綜合得分為91.09%，較前代提升了3.73%。模型僅需256到1120個視覺Token即可覆蓋複雜的文檔頁面，這有助於降低下游LLM的計算開銷。在實際生產環境中，其識別結果的重複率相比前代有所下降，線上用戶日誌圖像中的重複率從6.25%降至4.17%。此外，閱讀順序（R-order）的編輯距離（ED）也從0.085顯著降低至0.057。此外，在相似的視覺標記預算下，其文檔解析的編輯距離與Gemini-3 Pro相比存在差異。
產品簡介
DeepSeek-OCR 2採用DeepEncoder V2方法，該方法使AI能夠根據圖像的含義動態重排圖像部分，而非僅進行從左到右的掃描。該模型的核心創新在於提出“視覺因果流”機制，使模型不再機械地按像素順序處理圖像，而是根據語義和邏輯關係動態組織視覺信息。該模型採用的DeepEncoder V2架構，實現了視覺編碼從固定掃描向語義推理的轉變。具體而言，DeepEncoder V2引入了因果流查詢（causal queries），通過內容感知的方式對視覺標記進行重排序與信息蒸餾，形成編碼器內部語義排序和LLM解碼器自回歸推理的兩級因果推理過程。在視覺編碼階段，模型引入語義與因果感知能力，通過改進的視覺編碼器對視覺單元之間的依賴關係進行建模，動態重排視覺token並配合可重組的位置編碼，形成更接近人類閱讀習慣的“理解路徑”。這種設計使編碼器能夠根據圖像語義動態重排視覺Token。
在維持較高數據壓縮效率的同時，模型使用256到1120個視覺Token即可覆蓋複雜的文檔頁面，降低了下游LLM的計算開銷。在相似的視覺token預算（1120）下，其文檔解析的編輯距離（0.100）低於Gemini-3 Pro（0.115）。在OmniDocBench v1.5評測中，其綜合得分為91.09%，較前代提升了3.73%。實驗表明，視覺因果流機制在表格解析、多欄文檔理解和公式識別等任務中，閱讀順序（R-order）的編輯距離（ED）從0.085降至0.057。模型的訓練分為三個階段：編碼器預訓練、查詢增強和解碼器專業化，這一過程旨在逐步獲得並強化特徵提取、token重排序及下游任務的專業化能力。該模型在文本密度超高的報紙類文檔上識別效果相對較弱，團隊分析認為，視覺token上限和訓練數據不足是識別效果較弱的原因。後續可通過增加局部裁剪數量或提供更多訓練樣本來改善。
技術意義
DeepSeek-OCR2的發布涉及模型架構的探索。該模型引入了DeepEncoder V2架構，使視覺編碼從固定掃描轉向語義推理。其採用的DeepEncoder V2架構通過因果流查詢對視覺標記進行語義重排序，使模型能夠理解文檔結構並按順序閱讀，為新型視覺語言模型架構提供了研究範例。實驗結果顯示，該機制在表格解析、多欄文檔理解和公式識別等任務中表現較好，相較於前代DeepSeek-OCR，整體性能提升 3.73%，閱讀順序的編輯距離從0.085降至0.057。該模型可作為OCR工具，也能用於生成預訓練數據，服務於大語言模型的訓練。該架構為構建統一的全模態編碼器提供了路徑，是向原生多模態模型邁出的探索。光學字元識別是大模型時代具有實用價值的視覺任務之一，未來相關架構可能持續最佳化並拓展至更多場景，探索多模態智慧型在視覺理解中的潛力。
該模型架構進行了工程驗證。2026年1月，在華為昇騰910B2 NPU的部署實踐中，通過KernelCAT AI Agent的自動化最佳化，DeepSeek-OCR 2解決了版本依賴問題，推理吞吐量有所提升，適配周期縮短。
