深度求索团队近日宣布开源新一代文档理解模型DeepSeek-OCR 2，并同步发布技术论文《DeepSeek-OCR 2: Visual Causal Flow》。该模型在综合性文档理解基准OmniDocBench v1.5测试中取得91.09%的突破性成绩，较前代提升3.73个百分点，尤其在复杂文档的逻辑顺序还原能力上实现质的飞跃。
传统OCR技术采用"机械扫描"式处理方式，通过固定网格切割图像后按空间顺序识别文字。这种模式在处理学术论文、金融报表等多栏排版文档时，常出现逻辑断裂、语义关联丢失等问题。DeepSeek-OCR 2通过引入"视觉因果流"编码范式，使模型具备自主推理文档结构的能力，实现从"机械扫描"到"智能阅读"的认知升级。
新模型的核心创新在于DeepEncoder V2架构，该架构通过三阶段处理流程重构文档理解逻辑：首先利用双向注意力机制建立全局视觉感知，继而通过因果流查询组件动态推导最优阅读顺序，最终将高维视觉信息压缩为富含语义的视觉标记序列。这种处理方式使模型输出的视觉序列自带因果顺序特征，为后续语言解码提供结构清晰的"思考蓝图"。
在性能表现上，DeepSeek-OCR 2展现出显著优势。其视觉标记压缩率较前代提升40%，仅需256-1120个标记即可精准表示复杂文档内容，大幅降低下游计算负担。在学术论文、财务报表等场景测试中，模型不仅能准确识别文字，更能还原段落间的逻辑关系，输出文本可直接用于分析归档。标准化编辑距离指标提升33%，证明其在阅读顺序准确性上的突破性进展。
技术团队指出，该模型的价值不仅限于OCR领域。其验证的因果流机制为多模态AI架构提供新思路——未来模型或可通过类似机制，自主理解文本、图像、音视频等不同模态信息的内在结构，生成统一的语义表示。这种处理方式更接近人类认知模式，有望推动跨模态理解与生成技术发展。
当前模型在极端密集文本场景（如古典报纸）的识别效果仍有优化空间。研究团队表示将持续改进模型鲁棒性，同时探索因果流机制在更多模态领域的应用可能性。
