1月27日，DeepSeek团队发布《DeepSeek-OCR2:VisualCausalFlow》论文，并开源DeepSeek-OCR2模型。该模型采用创新的DeepEncoderV2新型编码器结构，它能够根据图像语义动态调整视觉信息的处理顺序，使模型在进行文字识别前先对视觉内容进行智能排序。这项技术突破源于对传统视觉语言模型处理方式的重新思考，旨在让机器更贴近人类的视觉阅读逻辑。
在传统的视觉语言模型中，图像通常会被切分为若干视觉token，并按照从左上到右下的固定栅格顺序送入模型处理。这种方式虽然实现简单，但与人类在阅读文档、表格或公式时基于语义和逻辑关系进行跳跃式浏览的方式并不一致。
DeepSeek论文指出，尤其在版式复杂的文档场景中，视觉元素之间往往存在明确的逻辑先后关系，仅依赖空间顺序可能限制模型对内容结构的理解能力。
为验证模型性能，研究团队在OmniDocBenchv1.5基准上进行了全面评估。该基准涵盖多种类型的中英文文档，包括学术论文、杂志、报告等，重点考察文本识别、公式解析、表格结构还原以及阅读顺序等指标。
测试结果显示，在视觉token上限更低的情况下，DeepSeek-OCR2的整体得分达到91.09%，相较DeepSeek-OCR提升了3.73%。特别是在阅读顺序准确度方面，编辑距离从0.085降至0.057，表明新模型能够更合理地理解文档内容结构。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】