DeepSeek发布OCR 2：首创视觉因果流架构，识别准确率显著提升

2026年1月27日，DeepSeek正式推出新一代文档识别模型DeepSeek-OCR 2。该模型在前代基础上，通过视觉编码器结构的深度优化，显著提升了文字识别的准确性与鲁棒性。

本次升级的核心在于全新设计的视觉编码器DeepEncoder V2。该架构摒弃了传统按固定网格顺序逐块处理图像的方式，转而依据图像内容的语义逻辑，动态决定视觉信息的处理优先级。这种“视觉因果流”机制模拟人类阅读时的跳跃式理解过程，使模型在执行识别任务前，先对画面中的图文元素进行智能排序与组织。

技术实现上，研发团队以类语言模型结构替代原有的CLIP风格视觉编码模块，并在编码器内部嵌入可学习的“因果流查询token”。该设计融合两种注意力机制：一方面，原始图像特征通过双向注意力实现全局上下文建模；另一方面，查询token借助因果注意力逐步构建语义依赖关系，从而完成对视觉单元的动态重排。最终，仅经语义排序后的查询token被送入基于混合专家架构的语言模型解码器，完成高精度文本识别。整个流程在计算资源消耗与上一代模型基本持平的前提下，实现了识别能力的实质性跃升。

基准测试结果表明，在OmniDocBench v1.5评测中，DeepSeek-OCR 2综合得分为91.09%，较前代提升3.73个百分点；阅读顺序准确率同步提高，编辑距离由0.085下降至0.057。在真实场景应用中，该模型亦展现出更强的适应性：在线用户上传的日志类图像识别重复率从6.25%降至4.17%，批量处理PDF文档的重复率由3.69%降至2.88%。尤其在布局复杂、格式多变的文档中，其结构解析能力与系统运行稳定性均获得明显增强。