1月27日，DeepSeek发布了其最新升级的文档识别模型DeepSeek-OCR2。该模型在DeepSeek-OCR的基础上进行了核心升级，主要变化在于视觉编码器设计。研究团队提出了DeepEncoderV2新型编码器结构，能够根据图像语义动态调整视觉信息处理顺序，使模型在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。

DeepSeek-OCR2引入了“视觉因果流”概念，用类语言模型结构替代了原先基于CLIP的视觉编码模块，并在编码器内部引入可学习的“因果流查询token”。编码器同时包含双向注意力与因果注意力两种处理模式，原始视觉信息通过双向注意力进行全局感知，而新增的查询标记则通过因果注意力逐步建立语义顺序，从而在编码阶段对视觉token的顺序进行动态重排。

在性能测试中，DeepSeek-OCR2在OmniDocBenchv1.5基准上的整体得分达到91.09%，相较前代模型提升了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。此外，DeepSeek-OCR2在生产环境中也表现出更好的稳定性，在线用户日志图像的重复率和批处理PDF数据的重复率均有所降低。