在视觉语言模型（VLMs）的发展进程中，文档 OCR 始终面临着布局解析复杂、语义逻辑对齐等核心挑战。传统模型大多采用固定的「左上到右下」栅格扫描顺序处理视觉 token，这种刚性流程与人类视觉系统遵循的语义驱动型扫描模式相悖，尤其在处理含复杂公式、表格的文档时，容易因忽视语义关联导致解析误差。如何让模型像人类一样「读懂」视觉逻辑，成为提升文档理解能力的关键突破口。
近期，DeepSeek-AI 推出的 DeepSeek-OCR 2 给出了最新答案。其核心是采用全新 DeepEncoder V2 架构：模型摒弃传统 CLIP 视觉编码器， 引入 LLM 风格的视觉编码范式，通过双向注意力与因果注意力的融合，实现视觉 token 的语义驱动式重排，为 2D 图像理解构建出一条「双阶段 1D 因果推理」的新路径。
DeepEncoder V2 的关键创新体现在四个方面：
-
以 Qwen2-0.5B 紧凑型 LLM 替代 CLIP，在约 5 亿参数规模下赋予视觉编码因果推理能力；
-
引入与视觉 token 数量等长的「因果流查询（Causal Flow Query）」，通过定制注意力掩码，使视觉 token 保持全局感知，同时允许查询 token 基于语义重组视觉顺序；
-
支持 256–1,120 个视觉 token 的多裁剪策略，在兼顾效率的同时对齐主流大模型的 token 预算；
-
通过「视觉 token + 因果查询」的串联结构，将语义重排与自回归生成解耦，天然适配 LLM 的单向注意力机制。
这一设计有效消除了传统模型的空间顺序偏见，使模型能够像人类阅读一样，依据语义关系动态组织文本、公式与表格，而非传统机械遵循像素位置。
经验证，在 OmniDocBench v1.5 基准测试中，DeepSeek-OCR 2 以 1,120 的视觉 token 上限，实现了 91.09% 的整体准确率， 较前代模型提升 3.73%，同时将阅读顺序编辑距离（ED）从 0.085 降至 0.057，证明其视觉逻辑理解能力显著增强。细分任务中，公式解析准确率提升 6.17%，表格理解性能提升 2.5%-3.05%，文本编辑距离减少 0.025，各项核心指标均实现跨越式进步。
同时，其工程实用性同样突出：在保持 16 倍视觉 token 压缩率的前提下，在线服务的重复率从 6.25% 降至 4.17%，PDF 批量处理重复率从 3.69% 降至 2.88%，兼顾了学术创新与产业应用需求。相较同类模型，DeepSeek-OCR 2 以更低的视觉 token 成本，达到了接近甚至超越大参数模型的效果， 为资源受限场景下的高精度文档 OCR 提供了更具性价比的方案。
目前，「DeepSeek-OCR 2：视觉因果流」已上线至 OpenBayes 官网的教程版块，点击下方链接即可体验一键部署教程 ⬇️
教程链接：
Demo 运行
01
Demo 运行阶段
1.登录 OpenBayes.com，在「公共教程」页面，选择「DeepSeek-OCR 2：视觉因果流」教程。
2.页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。
3.选择「NVIDIA GeForce RTX 5090」以及「PyTorch」镜像，按照需求选择「按量付费」或「包日/周/月」，点击「继续执行」。新用户使用下方邀请链接注册，即可获得满 ¥10 赠 ¥10 优惠券，更有机会获得 ¥15 赠金！
小贝总专属邀请链接（直接复制到浏览器打开）：
4.等待分配资源，当状态变为「运行中」后，点击「打开工作空间」进入 Jupyter Workspace。
02
效果演示
页面跳转后，点击左侧 README 页面，进入后点击上方「运行」。
待运行完成，即可点击右侧 API 地址跳转至 demo 页面。
教程链接：
