DeepSeek团队近日推出全新开源OCR模型DeepSeek-OCR 2，该模型在PDF文档转Markdown格式的任务中展现出突破性进展。相较于初代版本，新模型通过重构视觉编码机制，成功解决了复杂版面文档的语义连贯性问题，在保持轻量化架构的同时实现了性能跃升。
核心升级聚焦于视觉编码器的革新。研发团队摒弃传统"光栅扫描"模式，创新性地将CLIP组件替换为基于Qwen2-0.5B的轻量化语言模型架构。这种改造使编码器具备因果推理能力，能够在输入解码器前对视觉标记进行智能重排。通过引入双流注意力机制，模型既保持了全局视觉信息的完整性，又通过可学习的查询向量实现了语义导向的标记排序。
技术实现层面，新模型采用定制化注意力掩码设计。视觉标记区域运用双向注意力机制确保全局特征捕捉，而附加的因果流查询区域则通过三角注意力掩码实现时序约束。这种两阶段处理流程——先在编码器完成语义重排，再由解码器进行自回归推理——有效弥合了二维空间结构与一维语言模型之间的认知鸿沟。
架构优化贯穿整个处理流程。前端视觉分词器沿用80M参数的SAM-base架构，通过增加两层卷积将输出维度压缩至896，在减少16倍标记量的同时保持特征完整性。编码阶段采用动态裁剪策略，全局视图生成256个查询标记，局部裁剪针对768×768区域生成144个标记，最终输入标记数稳定在256-1120区间，与Gemini-1.5 Pro的视觉预算持平。后端解码器保留3B参数的MoE结构，实际激活参数控制在500M左右。
训练体系采用三阶段渐进式优化。首阶段通过下一标记预测任务完成编码器预训练，使其掌握特征提取与重排序能力；第二阶段冻结视觉分词器，联合优化编码器与解码器的查询表示；最终阶段固定编码器参数，专注解码器微调以提升数据吞吐量。数据策略延续前代配置，但通过采样均衡化将正文、公式、表格的比例调整为3:1:1，同时合并语义相似的布局标签以减少噪声干扰。
在OmniDocBench v1.5基准测试中，新模型取得91.09%的准确率，较基线提升3.73个百分点。阅读顺序编辑距离从0.085降至0.057，文档解析编辑距离（0.100）优于Gemini-3 Pro（0.115）。实际生产环境验证显示，在线用户日志重复率下降33%，PDF生产数据重复率降低22%，充分证明模型在逻辑视觉理解方面的显著进步。
该成果已通过GitHub和HuggingFace平台开源，同步发布的还有详细技术论文。项目地址显示，代码库包含完整的模型实现、训练脚本及预训练权重，为学术界和产业界提供了可直接复用的技术方案。这种开放共享模式延续了DeepSeek团队推动技术普惠的一贯理念，有望加速OCR领域向多模态认知方向的演进。
