核心内容摘要
探寻“天美传媒麻豆tm0034”的魅力：不止于视觉的艺术盛宴
DeepSeek-OCR-2 在做什么从“扫描图像”到“阅读理解”如果把之前的 OCR 系统比作“只会拍照的机器”那 DeepSeek-OCR-2 更像是“先看整页结构再按语义顺序把字抠出来”的“有策略阅读者”。
官方论文里给了一个清晰的结构DeepSeek-OCR-2 使用了一种叫 Visual Causal Flow视觉因果流的新编码方式核心是先用类似“注意力扫描”的机制看全图先定位标题、段落、表格、图片、公式等区域再根据语义决定“接下来该读哪里”“先读哪个 token、后读哪个 token”按人类阅读顺序生成一条因果流序列causal flow tokens。
与传统模型从左到右、逐像素或逐块扫描不同DeepSeek-OCR-2 在 OmniDocBench v
5 基准中只用更少的视觉 token256–1120 个就拿到了
9
09% 的综合得分比上一代提升约
73%阅读顺序编辑距离从
085 降到
057说明它对“逻辑结构”的理解明显更贴近人类。
此外官方还给出了很夸张的吞吐指标单张 A100 就能做到每天约 20 万页文档推理时 token 生成速度可达 2500 tokens/s这为大规模文档数字化与知识抽取提供了一个非常实用的技术基础。
核心创新Visual Causal Flow DeepEncoder V2DeepSeek-OCR-2 的最大创新在于“让模型学会‘怎么读’而不是‘按顺序扫’”。
这主要体现在视觉编码器升级从 CLIP ViT-300M 换成 Qwen2-
5B约 500M 参数的 DeepEncoder V2可学习的“因果查询”learnable causal flow queries作为视觉 token 之后的“后缀”指导模型按合理顺序阅读文档。
官方论文与博文中把这种机制概括为先通过双向注意力机制做全局感知明确“页面上有哪些块”“各自大概在哪儿”再生成“因果流 token”模拟人类“扫视 → 定位 → 深入细节”的阅读路径即便面对报纸、教材、论文、报告等复杂排版也能更好地还原出合理的阅读顺序。
性能提升 OmniDocBench
9
09%编辑距离大幅降低权威文档理解基准 OmniDocBench v
5 的测试结果是这次发布最被引用的一组数据综合得分
9
09%较前代提升约
73 个百分点阅读顺序编辑距离从
085 降到
057在更少的视觉 token 预算下实现更高精度的结构还原。
DeepSeek 团队也在官方博客与 GitHub 仓库中展示了吞吐与延迟结果单卡 A100 环境下每秒能生成约 2500 个 token换算成整页文档处理能力大概是一天 20 万页文档的级别。
这对要同时兼顾“精度”和“成本”的工程化落地非常关键。
能力边界它能做什么、还有哪里需要补位结合 DeepSeek 官方的功能介绍与 Demo可以大致勾勒出它的能力边界更擅长学术 PDF / 技术报告 / 论文 / 教材 / 说明书 / 报纸 / 周刊更擅长版面结构清晰、图表与文字共存、公式与表格较多的场景更擅长将多模态文档PDF转成结构化文本或 Markdown方便接大模型做问答与检索目前仍需要人介入手写、严重模糊、极度复杂嵌套的公式与图表、跨页跨栏的极端布局仍需人工兜底。
工程与开源论文、模型与 Demo 都已公开为了让人员尽快上手DeepSeek 团队同步做了三件事论文发布了《DeepSeek-OCR-2: Visual Causal Flow》对架构与实验细节做了系统说明模型开源了 DeepSeek-OCR-2 权重与推理代码并给出完整运行与微调指南Demo提供了一个快速试用 Demo让用户直接在 Hugging Face 页面体验“像人一样读文档”的效果。
整体来看DeepSeek-OCR-2 的意义不仅是一个 OCR 模型的迭代而是让“文档理解”从“识别文字”升级到“按逻辑阅读”这对知识库构建、企业档案数字化、科研数据清洗等场景都是一个非常有力的新基座。
相关链接Githubhttps://github.com/deepseek-ai/DeepSeek-OCR-2HFhttps://huggingface.co/deepseek-ai/DeepSeek-OCR-2论文https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf