DeepSeek又出手，开源OCR-2

就在刚刚，DeepSeek 发布了 OCR 2。

依然是熟悉的味道——开源、硬核、直奔 SOTA。

项目地址：
https://github.com/deepseek-ai/DeepSeek-OCR-2
模型地址：

https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
论文地址：
https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf

如果说第一代 DeepSeek-OCR 像一个高效的文件扫描仪，能把图像压缩得极小，还原得尽可能准。

那第二代 OCR2，做了一件更「人」的事：像人眼一样有选择、有顺序地看图。

看完一块再决定看哪一块，甚至能判断哪个先看、哪个后看。

这种能力，过去只有人类才有。现在，DeepSeek 让 AI 模型也有了这种「阅读顺序感」。

而它之所以能做到这件事，核心秘密在于一个大胆的结构性改变：

它把原本由视觉模型（比如 CLIP）承担的视觉理解部分，替换成了一个语言模型架构。对，你没看错，OCR2 把“看图”这件事，从“用眼看”变成了“用语言理解”。

直观来看图，区别就很明显了：

左图为 OCR1 的架构，右图为 OCR2 的架构

为什么要这么干？

因为过去的视觉模型在处理图片时，看图顺序是死的。

比如一张 1024×1024 的图像，会被切成 4096 个 16×16 的 patch，然后按顺序喂给 Transformer 。从左到右、从上到下、无差别硬扫。不管是标题还是表格，不管你想先看哪个，它都一视同仁。

就好比让你读一张报纸，却要求你从第一行像素一直读到最后一行像素，中间无论是标题、广告还是脚注，统统平等对待。

这不傻吗？

OCR2 要解决的，就是这种「机械顺序」的问题。

所以它干脆把视觉处理模块也改造成了一个语言模型，引入了「因果流查询（Causal Flow Query）」机制，让模型拥有“选择顺序”的能力。

整体流程是这样的：

OCR2 首先把图像切成 patch，接着用 ViTDet 做初步感知，然后有一整套专门为大模型设计的 Token 压缩流程，把几千个视觉 token，压缩成几百个核心信息。

这一点非常关键。

一张分辨率正常的图（1280×1280），一拆就是 6400 个小块（16×16 patch），对模型来说简直是灾难性的计算负担。

而 OCR2 的解决方案是：动态 Token 压缩。

1. 用 ViTDet 编码整张图，提取出完整的视觉 token map；
2. 加入一个 Token Merging 模块，通过 CNN + Channel Mixer，把 token 数压缩到原来的 1/16；
3. 加上 Positional Embedding 和 LayerNorm，形成紧凑、保留关键信息的 token 序列。

这一套操作下来，每张图最多只输出 512 个视觉 token，相比之前的 OCR1（1156）和 Gemini（1120），不仅更短，还更有效。

而且更巧妙的是，这个压缩是自适应的。模型会判断哪些区域信息密集、哪些不重要，从而动态保留或融合 patch。

在这个 token 压缩的基础上，OCR2 再由 Qwen2 模型生成动态阅读 Query，引导模型逐步“看图”，再交由 DeepSeek-3B 生成结构化输出。

这个「LM as Vision Encoder」的设计，和传统 DETR、BLIP2 架构完全不同：

• DETR 是靠固定数量的 Query（比如 100 个）“抓取”图中的物体，不关心顺序；
• BLIP2 是用 Q-former 从图像 token 中找“代表性 token”，再喂给语言模型；

OCR2，则是直接让语言模型做“第一性理解”。

那它到底有多强？直接上指标。

在 OmniDocBench v1.5 基准测试中，DeepSeek-OCR 2 是唯一一个在视觉 token 不超过 1120 的前提下，全面超越所有“大 token”模型的选手。

与上一代相比，整体准确率提升了 **3.73%**。

核心升级的阅读顺序识别（R-order Edit），直接从 0.085 → 0.057，误差率下降 33%。

看到这你可能会发现，DeepSeek-OCR 2 做的事，其实已经不太像我们以前理解的「OCR」了。

传统 OCR 的世界观很朴素：图里有字，我把字抠出来。抠得越像越好。它的终点是“把图变成字”。

但你真把 OCR 用在工作里就知道，文档里从来不只是字。它是标题、层级、引用、图注、表格、脚注、双栏、页眉页脚、编号体系……这些东西共同决定了“怎么读”。传统 OCR 往往不管这些。于是你只能得到一串看似完整的文本，自己还得当一次编辑。重新对齐归位。

而 OCR2 开始尝试“把图变成内容”。“字”是你能看见的符号，“内容”是你不用返工否，能直接拿去用的东西。

所以它才要死磕“阅读顺序感”。

因为在真实文档里，最要命的错误往往不是错别字，而是读错了顺序。字错了你一眼能看出来，顺序错了你得整段读完才意识到不对劲，等你发现的时候，下游的检索、抽取、归档、知识库，可能已经跟着一起乱套了。

这才是 OCR2 真正想解决的事。也恰恰是过去很多 OCR 产品一直没解决、但你每天都在被迫解决的事。