DeepSeek近日发布了面向OCR场景的专用模型DeepSeek-OCR 2，并同步公开了技术报告。这一模型在原有基础上进行了升级，通过引入新型解码器，使模型在处理图像和文件时更接近人类阅读习惯，而非传统机械扫描方式。
传统OCR模型通常采用从左上到右下的地毯式扫描模式，而DeepSeek-OCR 2则能够理解文档结构，按照逻辑顺序逐步解析内容。这种改进使其在处理复杂布局、公式和表格时表现更佳。在文档理解基准测试OmniDocBench v1.5中，该模型取得了91.09%的得分，较前代提升3.73%，在端到端OCR模型中达到领先水平，但仍略低于百度的PaddleOCR-VL管线。
在视觉token效率方面，DeepSeek-OCR 2在相似预算下，文档解析的编辑距离低于Gemini-3 Pro，证明其在保持高性能的同时实现了更高的视觉信息压缩率。该模型不仅可作为新型视觉语言模型（VLM）架构的研究工具，还能生成高质量预训练数据，支持大语言模型训练。
从技术架构看，DeepSeek-OCR 2延续了编码器-解码器结构，但将编码器从DeepEncoder升级为DeepEncoder V2。新编码器采用基于大语言模型（LLM）的设计，通过因果流查询机制实现视觉标记的语义重排序。这一过程不依赖固定位置编码，而是让模型根据全局视觉上下文动态生成顺序，更符合人类认知习惯。
DeepEncoder V2通过视觉tokenizer实现约16倍的token压缩，在降低计算资源消耗的同时保留关键视觉信息。其核心创新在于因果查询机制：每个查询可访问所有视觉标记及先前查询结果，在保持token数量不变的前提下完成语义排序和信息蒸馏。最终仅有序查询结果被输入解码器，形成编码器与解码器的两级因果推理流程。
模型训练分为三个阶段：编码器预训练、查询增强和解码器专业化。预训练阶段使编码器掌握特征提取和token重排序能力；查询增强阶段进一步提升重排序精度和视觉知识压缩效率；解码器专业化阶段通过冻结编码器参数优化解码效率。实验采用OmniDocBench v1.5基准，包含1355个中英文文档页面，覆盖杂志、学术论文等9个类别。
测试结果显示，DeepSeek-OCR 2在最小视觉标记上限设置下达到91.09%的准确率，阅读顺序编辑距离从0.085降至0.057。在1120个视觉标记预算下，其文档解析编辑距离（0.100）优于Gemini-3 Pro（0.115）。不过，该模型在处理高密度报纸文本时表现稍逊，可通过增加局部裁剪或扩充训练样本改善。
DeepSeek-OCR 2的架构设计为多模态编码器发展提供了新思路。研究团队认为，这种基于LLM的编码器有望演变为统一处理文本、语音和视觉内容的全模态编码器，通过共享参数空间实现不同模态信息的有效压缩与重组。此次发布标志着原生多模态探索的重要进展，为后续VLM架构研究奠定了基础。
