DeepSeek团队近日宣布开源新一代文字识别模型DeepSeek-OCR 2，并同步发布技术论文《DeepSeek-OCR 2: Visual Causal Flow》。该模型通过引入动态视觉处理机制，在复杂文档解析任务中展现出显著优势，尤其在中文场景下实现了关键技术突破。
传统视觉语言模型采用固定栅格顺序处理图像，将画面切割为视觉token后按从左到右、从上到下的路径输入神经网络。这种处理方式虽实现简单，却与人类阅读习惯存在本质差异——人类在解读文档时，会基于语义关联和逻辑关系进行跳跃式信息捕捉，而非机械遵循空间坐标。DeepSeek团队通过重构编码器架构，使模型能够自主分析视觉元素的因果关系，构建符合认知规律的动态处理路径。
新型DeepEncoder V2编码器是该模型的核心创新。该结构通过引入注意力机制，使模型在识别文字前先对视觉内容进行语义排序。例如在解析数学公式时，模型会优先定位主运算符，再按运算优先级处理相关数字和符号；处理表格时则能自动识别表头与数据行的对应关系。这种处理方式突破了传统模型对空间坐标的依赖，在版式复杂的文档场景中表现尤为突出。
在OmniDocBench v1.5基准测试中，研究团队设置了严苛的对比条件：将视觉token数量上限降低15%的情况下，新模型仍取得91.09%的综合得分，较前代提升3.73个百分点。具体到关键指标，阅读顺序准确度（编辑距离）从0.085优化至0.057，意味着模型对文档结构的理解更接近人类认知模式。测试样本覆盖学术论文、财务报表、法律文书等12类中英文文档，充分验证了模型的泛化能力。
技术文档显示，动态路径规划机制通过三阶段实现：首先利用轻量化网络提取视觉特征，再通过图神经网络构建元素关联图谱，最后采用强化学习算法优化处理顺序。这种分层设计使模型在保持高效的同时，具备处理超长文档的能力。开发团队特别强调，中文文档的复杂版式对模型提出更高要求，新架构通过引入笔画顺序先验知识，显著提升了汉字识别准确率。
目前，DeepSeek-OCR 2的源代码和预训练权重已向学术界和产业界开放。开发者可通过GitHub获取完整工具包，支持快速部署于文档数字化、智能办公、金融风控等场景。测试数据显示，在同等硬件条件下，新模型处理速度较前代提升22%，内存占用减少18%，为移动端部署创造了可能。
