DeepSeek近日推出新一代OCR模型DeepSeek-OCR 2，通過引入創(chuàng)新的DeepEncoder V2架構，突破了傳統(tǒng)視覺-語言模型（VLM）的機械處理模式。該模型能夠模擬人類視覺邏輯，動態(tài)解析圖像內容結構，在復雜排版場景中展現(xiàn)出顯著優(yōu)勢。這一技術突破標志著OCR領域從"像素識別"向"語義理解"的范式轉變。

傳統(tǒng)VLM模型普遍采用光柵掃描順序處理圖像，即從左上角到右下角逐塊掃描。這種處理方式在面對多欄文檔、混合排版報表等復雜場景時，往往難以準確捕捉內容間的邏輯關系。例如在處理包含公式與文字混排的科研論文時，傳統(tǒng)模型可能將公式編號與相鄰段落錯誤關聯(lián)，導致語義理解偏差。

DeepSeek-OCR 2通過動態(tài)重組圖像模塊的創(chuàng)新機制，實現(xiàn)了真正的語義感知處理。該模型不再拘泥于固定掃描路徑，而是根據(jù)內容語義自動調整處理順序。在OmniDocBench v1.5基準測試中，新模型以91.09%的準確率刷新紀錄，較前代提升3.73個百分點，在金融報表、法律文書等結構化文檔處理中表現(xiàn)尤為突出。

技術團隊通過優(yōu)化視覺Token生成機制，將計算成本控制在合理范圍。模型視覺Token數(shù)量嚴格限定在256-1120區(qū)間，與Google Gemini-3 Pro保持同等效率標準。實際生產(chǎn)測試顯示，該模型處理在線用戶日志的重復率下降2.08%，PDF預訓練數(shù)據(jù)重復率降低0.81%，展現(xiàn)出卓越的工程實用性。

DeepEncoder V2架構的探索具有更深層的行業(yè)意義。該架構創(chuàng)新性地將語言模型架構應用于視覺編碼，天然繼承了大型語言模型（LLM）在混合專家（MoE）架構和高效注意力機制等方面的優(yōu)化成果。這種跨模態(tài)架構融合為多模態(tài)大模型發(fā)展提供了新的技術路徑，特別是在處理需要邏輯推理的視覺任務時展現(xiàn)出獨特優(yōu)勢。