DeepSeek-OCR 2重磅发布：AI学会“人类视觉逻辑”，以因果流解读图片

华尔街见闻01-27

DeepSeek发布新一代光学字符识别系统，通过让AI以类似人类的逻辑顺序理解图像，在视觉识别领域实现技术突破。这一进展可能重塑文档处理、图表分析等依赖复杂视觉理解的应用场景。27日，DeepSeek发布了DeepSeek-OCR 2系统。该系统采用名为DeepEncoder V2的新方法，使AI能够像人类一样按照逻辑顺序“看”图像。这项技术的核心创新在于改变了传统AI处理图像的方式。...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"isChannel":false,"data":{"share":"https://www.laohu8.com/m/news/1109241486?lang=zh_CN&edition=full","thumbnail":"https://static.tigerbbs.com/760056d3ed9e8c1a595c0d9f2094cc4d","is_english":false,"pubTime":"2026-01-27 13:54","share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","id":"1109241486","market":"us","top_or_hot":-1,"title":"DeepSeek-OCR 2重磅发布：AI学会“人类视觉逻辑”，以因果流解读图片","media":"华尔街见闻","content":"<div>\n<p>DeepSeek发布新一代光学字符识别系统，通过让AI以类似人类的逻辑顺序理解图像，在视觉识别领域实现技术突破。这一进展可能重塑文档处理、图表分析等依赖复杂视觉理解的应用场景。27日，DeepSeek发布了DeepSeek-OCR 2系统。该系统采用名为DeepEncoder V2的新方法，使AI能够像人类一样按照逻辑顺序“看”图像。这项技术的核心创新在于改变了传统AI处理图像的方式。...</p>\n\n<a href=\"https://wallstreetcn.com/articles/3764241\">网页链接</a>\n\n</div>\n","source":"lsy1762389672944","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>DeepSeek-OCR 2重磅发布：AI学会“人类视觉逻辑”，以因果流解读图片</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\nDeepSeek-OCR 2重磅发布：AI学会“人类视觉逻辑”，以因果流解读图片\n</h2>\n\n<h4 class=\"meta\">\n\n\n2026-01-27 13:54 北京时间&nbsp;&nbsp;&nbsp;<a href=https://wallstreetcn.com/articles/3764241><strong>华尔街见闻</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>DeepSeek发布新一代光学字符识别系统，通过让AI以类似人类的逻辑顺序理解图像，在视觉识别领域实现技术突破。这一进展可能重塑文档处理、图表分析等依赖复杂视觉理解的应用场景。27日，DeepSeek发布了DeepSeek-OCR 2系统。该系统采用名为DeepEncoder V2的新方法，使AI能够像人类一样按照逻辑顺序“看”图像。这项技术的核心创新在于改变了传统AI处理图像的方式。...</p>\n\n<a href=\"https://wallstreetcn.com/articles/3764241\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"DXYZ","symbol_name":"Destiny Tech100 Inc","start_time":0,"source_url":"https://wallstreetcn.com/articles/3764241","article_id":"1109241486","we_media_id":null,"thumbnails":["https://static.tigerbbs.com/760056d3ed9e8c1a595c0d9f2094cc4d"],"rights":null,"url":"https://stock-news.laohu8.com/highlight/detail?id=1109241486","pubTimestamp":1769493254,"columns":[],"sourceInfo":{"source_id":"lsy1762389672944","name":"华尔街见闻"},"weMediaInfo":null,"summary":"27日，DeepSeek发布全新DeepSeek-OCR 2模型，采用创新的DeepEncoder V2方法，让AI能够根据图像的含义动态重排图像的各个部分，而不再只是机械地从左到右扫描。这种方式模拟了人类在观看场景时所遵循的逻辑流程。最终，该模型在处理布局复杂的图片（如文档或图表）时，表现优于传统的视觉-语言模型，实现了更智能、更具因果推理能力的视觉理解。","collect":0,"end_time":0,"defaultTopTitle":"wallstreetcn.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"DXYZ":"Destiny Tech100 Inc","MSFT":"微软"},"translate_title":"DeepSeek releases DeepSeek-OCR 2, AI can \"see\" a picture in the same logical order as humans","themeId":"3c650c8d672f70f8f1306411590e67e4","isJumpTheme":false,"ttsUrl":"https://static.tigerbbs.com/f54b5fd51d44f2e1fe118dd58af65867","symbols_score_info":{"MSFT":2,"DXYZ":2},"content_text":"DeepSeek发布新一代光学字符识别系统，通过让AI以类似人类的逻辑顺序理解图像，在视觉识别领域实现技术突破。这一进展可能重塑文档处理、图表分析等依赖复杂视觉理解的应用场景。27日，DeepSeek发布了DeepSeek-OCR 2系统。该系统采用名为DeepEncoder V2的新方法，使AI能够像人类一样按照逻辑顺序“看”图像。这项技术的核心创新在于改变了传统AI处理图像的方式。DeepEncoder V2让AI基于图像含义动态重新排列图像片段，而非传统的从左到右刚性扫描。这种方法模仿了人类追随场景逻辑流的方式。根据DeepSeek公布的技术报告，DeepSeek-OCR 2在多项关键指标上展现出显著优势。在OmniDocBench v1.5基准测试中，该模型取得了91.09%的成绩，相较于前代DeepSeek-OCR提升了3.73%。值得注意的是，该模型在保持极高精度的同时，严格控制了计算成本，其视觉Token数量被限制在256至1120之间，这一上限与Google的Gemini-3 Pro保持一致。 在实际生产环境中，该模型在处理在线用户日志和PDF预训练数据时的重复率分别下降了2.08%和0.81%，显示出极高的实用成熟度。模拟人类视觉的“因果流”逻辑根据DeepSeek公布的技术报告，现有的视觉语言模型（VLMs）通常采用固定的光栅扫描顺序（光栅扫描顺序）处理图像切片，即机械地从左上角扫描至右下角。DeepSeek团队指出，这种方式引入了不必要的归纳偏差，与人类视觉感知背道而驰。 人类在阅读复杂文档、表格或追踪螺旋线条时，视线是受语义理解驱动的“因果流”，后一次注视往往因果依赖于前一次注视，而非单纯的空间坐标移动。受此认知机制启发，DeepSeek-OCR 2的核心组件DeepEncoder V2被设计用于赋予编码器因果推理能力。通过引入可学习的“因果流查询”（Causal Flow Queries），模型能够在进入LLM解码器进行内容解释之前，先在编码阶段就对视觉信息进行智能重排序。这实际上构建了一个两级级联的1D因果推理结构：首先由编码器在语义上重组视觉Token，随后由解码器对有序序列进行自回归推理。 这种设计不仅符合光学文本、表格和公式的非线性布局特征，还有效弥补了2D图像结构与1D语言建模之间的鸿沟。弃用CLIP架构，转向LLM式编码器DeepEncoder V2在架构上实施了重大变革，将DeepEncoder中原有的CLIP组件替换为紧凑的LLM式架构（具体为Qwen2-0.5B）。为了实现并行处理，新架构引入了一组可学习的查询向量，称为“因果流Token”，并将原始视觉Token作为前缀拼接到序列中。该架构采用了一种定制化的注意力掩码（Attention Mask）策略：视觉Token部分：保留双向注意力机制，确保模型能够像CLIP一样拥有全局感受野，捕捉图像的整体特征。因果流Token部分：采用因果注意力机制（类似Decoder-only LLM），每个查询Token只能关注之前的Token。通过这种设计，视觉Token保持了信息的全局交互，而因果流Token则获得了重排序视觉信息的能力。DeepSeek-OCR 2采用了多裁剪策略（Multi-crop strategy），根据图像分辨率不同，最终输入LLM的重排序视觉Token总数在256到1120之间。这一数量级显著低于部分竞品高达6000以上的Token消耗，在保证高性能的同时大幅降低了计算开销。性能显著提升与生产环境验证在OmniDocBench v1.5的综合评估中，DeepSeek-OCR 2表现优异。数据显示，在同样的训练数据源下，新模型相较于DeepSeek-OCR基线模型取得了3.73%的性能提升。特别是在阅读顺序（Reading Order）的编辑距离（Edit Distance）指标上，DeepSeek-OCR 2从0.085显著降低至0.057，这直接验证了DeepEncoder V2在逻辑重排序方面的有效性。除了基准测试，DeepSeek还披露了该模型在实际生产管线中的表现。DeepSeek-OCR 2主要服务于DeepSeek-LLMs的在线OCR服务及PDF预训练数据处理。在没有真值（Ground Truth）的生产环境中，重复率（Repetition Rate）是衡量质量的核心指标。数据显示，在处理在线用户日志图像时，DeepSeek-OCR 2将重复率从6.25%降低至4.17%;在PDF数据生产中，重复率从3.69%降至2.88%。这表明新模型在生成高质量、低冗余的文本数据方面具备极高的实用价值。通向原生多模态与真正的2D推理DeepSeek-OCR 2的发布不仅是一次OCR性能的升级，更具有深远的架构探索意义。DeepEncoder V2初步验证了使用语言模型架构作为视觉编码器的潜力。这种架构天然继承了LLM社区在基础设施优化方面的成果，如混合专家（MoE）架构和高效注意力机制。DeepSeek团队认为，这为迈向统一的全模态编码器提供了一条有希望的路径。未来，单一编码器可能通过配置特定模态的可学习查询，在同一参数空间内实现对图像、音频和文本的特征提取与压缩。DeepSeek-OCR 2所展示的“两个级联的1D因果推理器”模式，通过将2D理解分解为“阅读逻辑推理”和“视觉任务推理”两个互补子任务，或许代表了实现真正2D推理的一种突破性架构方法。","kind":"news","is_publish_news":true,"is_publish_highlight":true,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"corporation","news_rank":0,"isVideo":false,"video":null,"symbols":[],"gpt_button":0,"need_auth":false,"need_login_tip":false,"code":"91000000","status":"200"},"commentList":[],"isCommentEnd":true,"newsSizeData":{"likeSize":1,"commentSize":0,"repostSize":0,"favoriteSize":3,"likeStatus":false,"favoriteStatus":false},"APP":{"userAgent":"Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)","isDev":false,"isTTM":false,"tenantId":"TBCN","deviceId":"web-server-community-laohu8-v3","version":"4.42.0","shortVersion":"4.42.0","platform":"web","vendor":"web","appName":"laohu8","isIOS":false,"isAndroid":false,"isTiger":false,"isTHS":false,"isWeiXin":false,"isWeiXinMini":false,"isWeiBo":false,"isQQ":false,"isBaiduSwan":false,"isBaiduBox":false,"isDingTalk":false,"isToutiao":false,"isOnePlus":false,"isHuaWei":false,"isXiaomi":false,"isXiaomiWebView":false,"isOppo":false,"isVivo":false,"isSamsung":false,"isMobile":false},"href":"/m/news/1109241486","isCrawlerRequest":true}