炒股就看金麒麟分析师研报，巨擘，专科，实时，全面，助您挖掘后劲主题契机！

　　（开首：智东西）

　　智东西

　　作家 陈骏达

　　编著 云鹏

　　智东西1月27日报谈，刚刚，DeepSeek开源了其面向OCR场景的专用模子DeepSeek-OCR 2，时间讨教同步发布。这一模子是对客岁DeepSeek-OCR模子的升级，其领受的新式解码器让模子看图、读文献的礼貌更像东谈主，而不是像机械的扫描仪。

　　简便来说，畴前的模子阅读模式是从左上到右下，地毯式扫一遍图片，DeepSeek-OCR 2则无意默契结构，按结构一步步读。这种新的视觉默契模式，让DeepSeek-OCR 2不错更好地默契复杂的布局礼貌、公式和表格。

　　在文档默契基准测试OmniDocBench v1.5上，DeepSeek-OCR 2拿到了91.09%的得分，在锤真金不怕火数据和编码器王人不变的前提下，较DeepSeek-OCR晋升了3.73%。与其他端到端的OCR模子比较，这也曾是SOTA收货，但其施展要略逊于百度的PaddleOCR-VL（92.86%）OCR管线。

　　同期，在相似的视觉token预算下，DeepSeek-OCR 2在文档明白方面的编著距离（编著为正确文本所需的职责量）低于Gemini-3 Pro，这诠释DeepSeek-OCR 2在确保优厚性能的同期保捏了视觉token的高压缩率。

　　DeepSeek-OCR 2兼具双重价值：既可当作新式VLM（视觉言语模子）架构进行探索性斟酌，也能当作生成高质地预锤真金不怕火数据的实用用具，干事于大言语模子的锤真金不怕火历程。

　　论文讨论：

　　https：//github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf

　　开源地址：

　　https：//github.com/deepseek-ai/DeepSeek-OCR-2？tab=readme-ov-file

　　一、大模子不懂复短文献结构？先不雅察全局再阅读便可搞定

　　从架构上来看，DeepSeek-OCR 2承袭了DeepSeek-OCR的全体架构，该架构由编码器息争码器构成。编码器将图像破裂化为视觉token，而解码器阐明这些视觉token和文本提醒生成输出。

　　关节辞别在于编码器：DeepSeek将此前的DeepEncoder升级为DeepEncoder V2，它保留了原有的总计才气，但把底本基于CLIP的编码器换成基于LLM的，同期通过新的架构联想引入了因果推理。

　　DeepEncoder V2样式的中枢问题在于：当二维结构被映射为一维序列并绑定线性礼貌后，模子在建模空间关联时不成幸免地受到该礼貌的影响。

　　这在当然图像中可能尚可给与，但在OCR、表格、表单等具有复杂布局的场景中，线性礼貌经常与确切的语义组织方式严重不匹配，从而甩掉模子对视觉结构的抒发才气。

　　DeepEncoder V2是若何缓解这一问题的？它当先领受视觉tokenizer对图像进行高效暗示，通过窗口慎重力杀青约16倍的token压缩，在显赫裁汰后续全局慎重力联想与显存支出的同期，一分彩app官方下载保捏了充分的局部与中圭臬视觉信息。

　　它并未依赖位置编码来章程视觉token的语义礼貌，而是引入因果流查询（causal queries），通过内容感知的方式对视觉标志进行重排序与蒸馏。这种礼貌不是由空间伸开法则决定，而是由模子在不雅察全局视觉高下文后缓缓生成，从而幸免了对固定一维礼貌的强依赖。

　　每个因果查询不错样式总计视觉token及先前查询，从而在保捏token数目不变的前提下，对视觉特征进行语义重排序与信息蒸馏。最终，仅因果查询的输出被送入卑劣LLM解码器。

　　该联想骨子上酿成了两级级联的因果推理历程：当先，编码器里面通过因果查询对无序的视觉标志进行语义排序。随后，LLM解码器在此有序序列上践诺自追忆推理。

　　相较于通过位置编码强制施加空间礼貌的作念法，因果查询所教会的礼貌更贴合视觉语义自己，也即是顺应东谈主类阅读内容的平方民风。

　　由于DeepSeek-OCR 2主要样式编码器修订，莫得对解码器组件进行升级。校服这一联想原则，DeepSeek保留了DeepSeek-OCR的解码器：一个具有约5亿活跃参数的3B参数MoE结构。

　　二、OmniDocBench得分达91.09%，编著距离低于Gemini-3 Pro

　　为了考据上述联想的灵验性，DeepSeek进行了实验。斟酌团队分三个阶段锤真金不怕火DeepSeek-OCR 2：编码器预锤真金不怕火、查询增强息争码器专科化。

　　第一阶段使视觉tokenizer和LLM作风的编码器得回特征索要、token压缩和token重排序的基本才气。第二阶段进一步增强了编码器的token重排序才气，同期增强了视觉常识压缩。第三阶段冻结编码器参数，仅优化解码器，从而在调换的FLOPs下杀青更高的数据微辞量。

　　为评估模子后果，DeepSeek选定OmniDocBench v1.5当作主要的评估基准。该基准包含1355个文档页面，涵盖中英文的9个主要类别（包括杂志、学术论文、斟酌讨教等）。

　　DeepSeek-OCR 2在仅使用最小的视觉标志上限（V-token maxmax）的情况下，达到了91.09%的性能。与DeepSeek-OCR基线比较，在相似的锤真金不怕火数据源下，它施展出3.73%的修订，考据了新架构的灵验性。

　　除了全体修订外，阅读礼貌（R-order）的编著距离（ED）也显赫下落（从0.085降至0.057），这标明新的DeepEncoder V2不错阐明图像信息灵验地选定和陈列开动视觉标志。

　　在相似的视觉标志预算（1120）下，DeepSeek-OCR 2（0.100）在文档明白方面的编著距离低于Gemini-3 Pro（0.115），进一步诠释新模子在确保性能的同期保捏了视觉标志的高压缩率。

　　不外，DeepSeek-OCR 2也不是万能的。在文本密度超高的报纸上，DeepSeek-OCR 2识别后果莫得其他类型的文本好。这一问题后续不错通过增多局部编著数目来搞定，或者在锤真金不怕火历程中提供更多的样本。

　　结语：或成新式VLM架构最先

{jz:field.toptypename/}

　　DeepEncoder V2为LLM作风编码器在视觉任务上的可行性提供了初步考据。更迫切的是，DeepSeek的斟酌团队合计，该架构具有演变为谐和全模态编码器的后劲。这么的编码器不错在合并参数空间内压缩文本、索要语音特征和重组视觉内容。

　　DeepSeek称，DeepSeek-OCR的光学压缩代表了向原生多模态的初步探索，将来，他们还将持续探索通过这种分享编码器框架集成稀疏模态，成为斟酌探索的新式VLM架构的最先。

海量资讯、精确解读，尽在新浪财经APP

包袱编著：宋雅芳