鳳凰網科技訊 1月27日，DeepSeek團隊發布《DeepSeek-OCR 2: Visual Causal Flow》論文，并開源DeepSeek-OCR 2模型。
該模型采用創新的DeepEncoder V2新型編碼器結構，它能夠根據圖像語義動態調整視覺信息的處理順序，使模型在進行文字識別前先對視覺內容進行智能排序。這項技術突破源于對傳統視覺語言模型處理方式的重新思考，旨在讓機器更貼近人類的視覺閱讀邏輯。
在傳統的視覺語言模型中，圖像通常會被切分為若干視覺token，并按照從左上到右下的固定柵格順序送入模型處理。這種方式雖然實現簡單，但與人類在閱讀文檔、表格或公式時基于語義和邏輯關系進行跳躍式瀏覽的方式并不一致。
DeepSeek論文指出，尤其在版式復雜的文檔場景中，視覺元素之間往往存在明確的邏輯先后關系，僅依賴空間順序可能限制模型對內容結構的理解能力。
為驗證模型性能，研究團隊在OmniDocBench v1.5基準上進行了全面評估。該基準涵蓋多種類型的中英文文檔，包括學術論文、雜志、報告等，重點考察文本識別、公式解析、表格結構還原以及閱讀順序等指標。
測試結果顯示，在視覺token上限更低的情況下，DeepSeek-OCR 2的整體得分達到91.09%，相較DeepSeek-OCR提升了3.73%。特別是在閱讀順序準確度方面，編輯距離從0.085降至0.057，表明新模型能夠更合理地理解文檔內容結構。
