当我们阅读一页复杂文档时，视线并不是从左上到右下机械扫描，而是会沿着标题、段落、表格、公式的逻辑顺序自然跳转。DeepSeek 最新发布的 DeepSeek-OCR 2，正是第一次把这种人类阅读逻辑引入OCR模型架构。它不仅识别更准，更重要的是，模型开始学会按语义顺序理解图像，迈向真正的2D推理。
该模型已上线魔乐社区，欢迎开发者下载体验：
🔗 https://modelers.cn/models/deepseek-ai/DeepSeek-OCR-2
模型核心亮点
🚀 亮点一：提出全新视觉因果流（Visual Causal Flow）
DeepSeek-OCR 2 提出图像 token 的顺序应该由语义决定，而不是坐标决定。论文称之为 Visual Causal Flow（视觉因果流）。模型会像人眼一样，根据内容动态调整阅读顺序。
🚀 亮点二：DeepEncoder V2，用语言模型做视觉编码器
DeepSeek-OCR 2 最大的架构创新是 DeepEncoder V2。相较于前代DeepEncoder使用CLIP作为视觉知识压缩模块，V2版本直接用一个小型LLM（Qwen2-0.5B）替代 CLIP 模块，这种设计让 encoder 本身具备因果推理能力。
🚀 亮点三：性能大幅提升，token更少，效果更强
在主流的OmniDocBench v1.5 文档解析基准上，DeepSeek-OCR 2在所有端到端模型中，使用最小的视觉Token上限，取得了91.09%的SOTA综合得分。同时，阅读顺序错误率显著下降，这说明 DeepEncoder V2 确实学会了更符合逻辑的文档阅读路径。
🚀 亮点四：生产可用性提升，重复输出更少
DeepSeek-OCR 2 不仅 benchmark 更强，在真实线上场景也更稳定。无论是处理在线用户日志图像还是PDF数据，DeepSeek-OCR 2的重复率都显著低于前代模型。
🔮 更重要的意义：迈向真正的2D推理
DeepSeek团队提出一个非常有启发性的方向：2D图像理解是否可以通过两个互补的1D因果推理子任务实现？同时，DeepEncoder V2初步验证了语言模型架构作为 VLM 编码器的可行性，这可能是一条通向“原生多模态统一编码器”的新路线。
