凤凰网科技讯 1月27日，DeepSeek团队发布《DeepSeek-OCR 2: Visual Causal Flow》论文，并开源 DeepSeek-OCR 2模型。 该模型采用创新的DeepEncoder V2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OmniDocBench v1.5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 ...