封面图

2026年开年，DeepSeek 以密集的技术更新刷屏AI圈：月初完善R1推理论文、中旬开源Engram记忆模块、月末重磅发布DeepSeek-OCR 2及《Visual Causal Flow》论文。这三大更新如同三块关键拼图，让春节前后即将亮相的DeepSeek-V4轮廓愈发清晰。作为新一代文档理解模型，OCR 2不仅延续了初代的高效压缩优势，更通过“视觉因果流”架构革新，让AI在2D文档世界里实现了从“机械扫描”到“语义推理”的跨越。

一、初代OCR的突破与遗憾：用视觉压缩破解长文本难题

这和人类阅读习惯截然不同——我们会根据标题、摘要、表格、图注的语义关联灵活跳转，而非逐字逐行机械阅读。面对多栏论文、复杂财报或图文杂志时，这种固定顺序的扫描方式就显得力不从心。

二、OCR 2的核心革新：视觉因果流让AI“读懂”结构

DeepSeek-OCR 2的诞生，正是为了解决“机械扫描”的痛点。其核心架构DeepEncoder V2的关键改动，是用基于Qwen2-0.5B（约5亿参数）的小型语言模型，替代了初代的CLIP模块，从而引入“因果机制”，构建出“视觉因果流”。

图 | DeepEncoder 架构演进：左图为初代 DeepEncoder，采用 CLIP 模块进行非因果（Non-causal）的全局特征提取。右图为 DeepEncoder V2，使用 LLM 风格架构替代 CLIP（来源：论文）

1. 双组Token处理：全局视野+因果推理

• 原始视觉Token：支持非因果注意力，彼此可相互访问，确保模型掌握整张图像的全局信息，不遗漏任何细节；

• 因果流查询Token：采用严格的因果注意力，每个查询只能访问前面的信息，就像人类阅读时“后理解基于前认知”，后续内容会根据前文语义自然衔接。

最终送入解码器的只有第二组Token，它们已按语义逻辑重排，而非机械的空间顺序。这意味着模型能根据文档类型动态调整“阅读顺序”：看论文时先读标题摘要，识别发票时优先提取金额日期，处理表格时整体理解关联关系。

图 | 混合注意力掩码 (Attention Mask) 设计（来源：论文）

2. 性能全面升级：效率与准确率双优

• 总体得分91.09%，较初代提升3.73个百分点；

• 阅读顺序编辑距离从0.085降至0.057，说明对文档结构的判断更精准；

• 文本、公式、表格等细分类别准确率提升2-6个百分点；

• 视觉Token上限仅256-1120个，远低于同类模型的6000+，极致压缩优势不变；

• 与Gemini-3 Pro相近Token预算对比，文档解析编辑距离更优（0.100 vs 0.115）。

这种升级让OCR 2能轻松应对复杂场景：多栏混排的学术论文、数据图表交织的财务报表、图文混搭的杂志版面，这些曾经让初代模型捉襟见肘的情况，如今都成了它的优势场景。

图 | OmniDocBench v1.5 核心评测结果（来源：论文）

三、不完美的进化：现存短板与优化方向

1. 报纸类文档识别短板

2. 边缘场景鲁棒性不足

研究者通过语义破坏实验发现，DeepSeek-OCR系列的高分部分源于语言先验，模型有时是“猜”出内容而非“看清”。当输入包含生造词、严重污损的扫描件，或文本被刻意打乱时，性能会显著下滑，鲁棒性不及传统管道式OCR。

四、技术主线浮现：DeepSeek-V4的底层逻辑

• R1论文：复杂推理无需海量人工标注，通过“做题-反馈-改进”的强化学习循环，模型可自主学会思考纠错，开辟低成本训练强推理模型的路径；

• Engram记忆模块：将静态知识存为可检索记忆表，20%参数负责查表、80%参数负责动态计算，提升知识问答与推理效率；

• OCR 2：把“少算多效”思路延伸到视觉领域，用因果排序让2D图像理解适配1D语言模型，以更少Token实现更优理解。

这三条技术线索共同指向一个目标：在有限算力下，实现更高效、更精准的多模态处理。传闻春节前后发布的DeepSeek-V4，或将首次整合这三大能力，成为能高效处理文本、代码与复杂文档的多面手。

五、结语：视觉理解的下一个时代

参考链接：

• DeepSeek-OCR 2 论文与代码：https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf