DeepSeek-OCR 2 – DeepSeek团队开源的二代OCR模型

DeepSeek-OCR 2 的主要功能

• 复杂文档解析：模型能精准解析带表格、公式和多栏布局的复杂文档，还原自然阅读逻辑。
• 高效视觉压缩：仅需 256 到 1120 个视觉 Token 即可覆盖复杂文档页面，显著降低计算开销。
• 动态语义重排：模型通过因果流查询，根据图像语义动态调整视觉 Token 的顺序，打破传统固定扫描限制。
• 高精度识别：在 OmniDocBench v1.5 评测中，综合得分达到 91.09%，较前代显著提升，在阅读顺序识别方面表现出色。

DeepSeek-OCR 2 的技术原理

• DeepEncoder V2 架构：视觉分词器将图像离散化为视觉 Token，采用 SAM-base 和两层卷积层，输出维度为 896。引入因果流查询（causal flow queries），视觉 Token 使用双向注意力，因果流查询使用因果注意力，实现语义重排。
• 因果推理机制：通过因果流查询动态重排视觉 Token，使编码器能根据图像语义动态调整 Token 的顺序。这种机制与 LLM 的单向注意力模式高度一致，能更好地贴合连续的视觉语义。
• 解码器：继续沿用 DeepSeek-OCR 的 DeepSeek-MoE Decoder，参数规模为 30 亿，约 5 亿参数在推理时激活。
• 训练流程：分为编码器预训练、查询增强和解码器专门化三个阶段，通过多阶段优化提升模型性能。

DeepSeek-OCR 2 的项目地址

• GitHub仓库：https://github.com/deepseek-ai/DeepSeek-OCR-2
• HuggingFace模型库：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
• 技术论文：https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf

DeepSeek-OCR 2 的应用场景

• 文档处理与数字化：模型能将纸质文档快速转化为可编辑的电子文档，支持复杂布局和多语言内容的高精度识别，适用于图书馆、档案馆等机构的数字化工作。
• 学术与科研：高效解析学术论文中的公式、图表和多栏文本，辅助研究人员快速提取关键信息，提升文献整理和数据分析效率。
• 企业办公自动化：模型能自动识别合同、报表等文件中的关键信息，支持企业文档的快速审核、归档和检索，提高办公效率。
• 教育领域：将教材、试卷等文档快速数字化，支持在线教学和电子化考试，辅助师生整理学术资料，提升教学与学习效率。
• 出版与媒体：模型快速解析杂志、报纸的复杂排版，支持电子版制作和内容分发，助力媒体行业实现高效内容创作与管理。