一觉睡醒，DeepSeek又又又发论文了，并且又开源了，距离上次发论文没几天。这一次是OCR方向的论文，我不得不感叹DeepSeek团队真快，有钱真好，量化交易真挣钱。

说个好玩的，今天早上想着在DeepSeek上查一下这篇论文的相关情况，直接出现下图所示情况，足见发论文迅速之程度甚至来DeepSeek训练团队都没来得及。

火速通读完论文，感觉好像这又要掀起什么风暴？

你是否有过这样的经历：好不容易找到一篇重要论文，想把里面的内容复制出来，结果OCR 识别完左边一栏，右边一栏全混到一起，表格数据乱成一锅粥，公式直接变成了火星文。这就是传统 OCR 技术的困境：它只能“扫描”文档，却无法“理解”文档的语义和结构。

这是因为：

传统的OCR 模型就像一个只会按固定路线走路的机器人，它从左上到右下，地毯式扫一遍图片，不管文档的语义和结构。这种方式在面对复杂版面（如双栏文档、错落的表格）时，往往会切断语义的逻辑连贯性。

举个形象的例子：在我们下图时，我们人类会按照逻辑结构、并且会跳读+回看，自动建立“图 ↔ 字 ↔ 因果”的关系。

传统OCR是从左到右、从上到下扫把所有能识别的字抠出来输出一大坨无结构文，得到的是“字的尸体”，而不是“知识的活体”。

而DeepSeekOCR2模型则是：

第一步：整体空间理解（不是先读字）

DeepSeek-OCR 2 会先判断：这是一个横向时间轴，中间是主线，上下是分支，图片属于“说明型元素”，不是正文。

相当于人类第一眼就知道：“这是历史时间线，不是散文”

第二步：语义块切分（而不是字符切分）

它会把画面切成：时间节点块：公元前3000 年，文明说明块：古埃及文字、楔形文字：图片注释块，引用性说明（旁边的小字）。按“意义”切，而不是按“位置”切。

第三步：建立视觉因果关系

比如它会知道：楔形文字≠ 随机图片，它是“文字起源”的一个例证，时间点 ≠ 普通数字，而是历史顺序。

这一步非常关键：AI 知道“谁解释谁”，而不是“谁挨着谁”

第四步：输出的是“结构化知识”，不是纯文本

DeepSeek-OCR 2 的输出不是：“公元前3000年……文字……埃及……”

而更接近：

主题：人类文字起源时间轴

时间节点：

- 公元前3000年：古埃及象形文字

- 公元前3200年：楔形文字

配图说明：

- 图A：埃及象形文字实例

- 图B：楔形文字泥板

这是“理解”，不是“抄写”，更接近于人脑理解后的内容。

DeepSeek-OCR 2 的核心创新点

DeepSeek-OCR-2 的核心是 DeepEncoder V2 架构。这个架构采用了一种类语言模型结构，替代了原先基于 CLIP 的视觉编码模块，并在编码器内部引入可学习的“因果流查询 token”。

架构组成

DeepEncoder V2 主要由两部分组成： 1. 视觉分词器：沿用了 SAM-base（80M 参数）加卷积层的设计，将图像转换为视觉 Token。 2. 作为视觉编码器的 LLM：使用了一个 Qwen2-0.5B 模型，不仅处理视觉 Token，还引入了一组可学习的“查询 Token”。

关键创新：双流注意力机制

关键的创新点在于注意力掩码的设计：- 视觉 Token 之间采用双向注意力，保持全局感知能力，类似于 ViT。 - 而查询 Token 则采用因果注意力，每一个查询 Token 只能看到它之前的 Token。

通过这种设计，DeepEncoder V2 实现了两级级联的因果推理：编码器通过可学习的查询对视觉 Token 进行语义重排，随后的 LLM 解码器则在这个有序序列上进行自回归推理。这意味着，DeepSeek-OCR-2 在编码阶段就已经把图像里的信息“理顺”了，而不是一股脑地扔给解码器。

性能验证：数据说话

为了验证DeepSeek-OCR-2 的性能，研究团队在 OmniDocBench v1.5 基准上进行了全面评估。该基准涵盖多种类型的中英文文档，包括学术论文、杂志、报告等，重点考察文本识别、公式解析、表格结构还原以及阅读顺序等指标。

综合得分：91.09%，较前代提升 3.73%

测试结果显示，在视觉Token 上限更低的情况下，DeepSeek-OCR-2 的整体得分达到了 91.09%，相较 DeepSeek-OCR 提升了 3.73%。这个提升幅度在 OCR 领域已经是很可观的进步了，毕竟技术发展到现在，每一点提升都不容易。

阅读顺序：编辑距离从0.085 降至 0.057

更能说明新架构价值的是“阅读顺序”指标：编辑距离从 0.085 降到 0.057，意味着模型对文档结构的判断更准确。它确实在学着按语义而非空间来组织信息。

视觉Token 效率：256–1120 个，远低于同类模型

DeepSeek-OCR-2 仅用 256 到 1120 个视觉 Token 就能覆盖复杂文档，而多数同类模型需要超过 6000 个。视觉 Token 数量的减少，不仅降低了计算成本，还提高了处理速度。

生产环境表现：重复率显著下降

在实际生产环境中，DeepSeek-OCR-2 的表现也非常出色。在线用户日志图像的重复率从 6.25% 降至 4.17%，批处理 PDF 数据的重复率从 3.69% 降至 2.88%。这些改进使得模型在保持高压缩率的同时，提升了实际应用场景中的可靠性。

看完这些实验数据，以及DeepSeek近期这么频繁的发论文，我不由思考DeepSeek还藏了多少东西。根据公开信息，DeepSeek V4预计在2月中旬发布，去年也差不多是春节发布的，不知届时又会掀起什么浪潮。去年的直接开源可以说的上是掀桌子了，今年又会怎样呢？这是要再造一次“AI 的 iPhone 时刻”吗？

行业影响：是否能成为OCR 领域的技术转折点？

DeepSeek-OCR-2 的发布无疑给 OCR 领域带来了巨大的冲击。它不仅在技术上实现了突破，还在应用场景上拓展了 OCR 技术的边界。那么，它是否能成为 OCR 领域的技术转折点呢？

技术范式的转变

DeepSeek-OCR-2 的出现，标志着 OCR 技术从“扫描”时代进入了“理解”时代。传统的 OCR 模型主要关注字符识别的准确率，而 DeepSeek-OCR-2 则更关注文档的语义和结构理解。这种技术范式的转变，将推动 OCR 技术向更高的层次发展。

行业格局的重塑

DeepSeek-OCR-2 的发布也将重塑 OCR 领域的行业格局。传统的 OCR 厂商可能需要重新审视自己的技术路线，加快技术创新的步伐。而新兴的 AI 公司则可能凭借 DeepSeek-OCR-2 等技术优势，在 OCR 领域占据一席之地。

全模态统一的新可能

DeepSeek V3和R1很强，甚至在纯文本推理能力上超越了o1，但都只是纯文本模型，在多模态推理上依旧无法碰瓷o1。  

DeepSeek-OCR-2 的设计为未来构建统一的全模态编码器提供了可行的路径。它将二维的视觉图像通过因果推理转化为一维的有序 Token 序列，和语言的结构保持一致。这就为其他模态的处理提供了一个可借鉴的思路，比如处理视频数据，可以把视频的帧转化为视觉 Token，再通过因果流查询按语义顺序排列。一旦这个思路走通，全模态统一的编码器就有了雏形，未来的 AI 模型就不用再为不同的模态设计不同的处理逻辑，能大幅降低模型的复杂度，提升多模态理解的效率和效果。

参考资料：

• 论文：https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf
• 模型：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2