2026年1月27日，AI科技公司DeepSeek正式发布了新一代文档识别模型DeepSeek-OCR 2。相较于前代，该模型的整体识别性能提升了3.73%，其关键突破在于构建了一套更契合人类阅读习惯的视觉编码体系，使系统能够更准确地理解版式多样、结构复杂的文档，内容包括多栏排版、嵌套表格及数学公式等。
作为初代OCR模型的全面演进，DeepSeek-OCR 2的核心升级源于全新设计的DeepEncoder V2视觉编码器。传统OCR方案通常将文档图像划分为固定网格状的视觉单元，并严格按从左到右、从上到下的空间顺序进行处理。这种机械式流程与人类依据语义线索主动聚焦、跳跃式阅读的实际行为存在本质差异。DeepEncoder V2则提出“视觉因果流”机制，能够依据图像内容的内在语义关系，动态规划视觉信息的解析路径——在识别文字之前，先完成对版面元素逻辑顺序的自主判断与重组，从而实现与人类认知节奏的高度一致。
根据公开技术论文阐述，这一设计有效应对了传统模型在处理复杂文档时的根本性局限。例如在合同文本、学术论文或财务报表中，标题、条款、注释、图表与数据之间普遍具备清晰的语义依赖与层级关联，仅依赖物理位置难以准确建模其结构逻辑。DeepSeek-OCR 2以类语言模型的架构替代原有CLIP风格视觉编码模块，并在编码器内部集成可训练的“因果流查询”组件，使模型具备自主推理视觉元素间逻辑关系的能力，大幅增强对文档深层结构的理解力与识别鲁棒性。
升级后的DeepSeek-OCR 2不仅在通用文档识别任务中展现出更高精度，在公式识别、多语种混合排版、跨页表格结构还原等高难度场景下同样表现突出。该模型现已面向公众开源，旨在为各类型企业用户提供更稳定、更智能的文档数字化工具，切实支持金融、教育、法律等领域加快业务流程自动化与智能化转型。行业技术观察者指出，DeepSeek-OCR 2所采用的技术范式，标志着多模态大模型正朝着模拟人类综合认知能力的方向深入发展。随着此类贴近真实认知规律的技术不断成熟，人工智能在应对复杂现实任务时的适应性与泛化能力将持续增强，为各行各业打开更具深度与广度的应用前景。
