DeepSeek新论文《DeepSeek-OCR 2: Visual Causal Flow》颠覆了OCR域十年的CLIP统盐城预应力钢绞线厂，提倡了种全新的视觉因果流搞定机制。该时代不仅将阅读规则准确率进步了33，揭示了通向原生多模态的以前旅途——让AI学会像东谈主类样‘跳读’文档。

咱们读文档的时代，眼睛根底不是从左上扫到右下的。

我个东谈主阅读文档的时代，先是快速扫了下标题和作家，知谈这是篇什么主题的论文。然后盐城预应力钢绞线厂看选录，捏主要论断。发现存张图表，就平直跳到图表崇敬要数据。后才回到正文，按我方的逻辑规则补充细节。

这个经过，大约花了 30 秒。但 AI 呢？它可能还在从个字迟缓往后扫。

东谈主类有”阅读逻辑”，AI 之前莫得。

被CLIP统的十年

DeepSeek 今天发布了新论文《DeepSeek-OCR 2: Visual Causal Flow》，直指个根底问题。

论文邻接：

Hugging Face：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2

这篇论文的中枢，其实是在质疑个统了 OCR 域十年的”默矜重谛”——CLIP 架构。

2015 年 CLIP 问世，到面前还是十年了。这十年里，险些扫数视觉言语模子（VLM）皆在用同个假定：图像按从左上到右下的固定规则搞定。浅易场景（比如单张像片、明晰扫描件）没问题，这个假定够用。

但复短文档就崩了。

为什么崩了

为什么崩了？我来举个例子。

看个带表格的文档。东谈主类怎样读？先看表头，知谈每列是什么。然后横向看行数据，读完回到表头，证实列名，再看二行。如若有多列交叉，可能会先看完扫数行的某列盐城预应力钢绞线厂，再跳到下列。

但 CLIP 怎样搞定？它假定规则是固定的——从表格的个格子（相通是左上角）扫到后个格子（右下角）。这意味着什么？意味着它可能会读到行的 5 列，然后须臾跳到二行的 1 列，因为它们在物理位置上是相邻的。

语义规则乱了。

表格还仅仅浅易场景。公式呢？多栏布局的报纸呢？学术论文里的图表援用呢？这些皆需要”按语义跨越”，而不是”按位置扫描”。

CLIP 的固定规则在干件低事——用线序列去抒发二维逻辑。

DeepSeek 的解法：弃用 CLIP，换上 LLM 式编码器

DeepSeek 平直把用了十年的 CLIP 编码器弃用了，换成了个轻量的 LLM——Qwen2-0.5B。

为什么要用 LLM？因为 LLM 天生援救”因果详实力”（Causal Attention），也便是从左到右的自归来生成。而 CLIP 用的是”双向详实力”，它能看到扫数 token，但莫得”规则”的主见。

但 DeepSeek 莫得烧毁双向详实力，而是打算了个”双流详实力”机制：

视觉 token 部分：保留双向详实力，用来全局感知图像试验（这是什么东西）

因果流 token 部分：使用因果详实力，用来决定”应该按什么规则读”（怎样读）

（deepencoder架构图）

具体怎样责任呢？

先，图像经过 SAM-base 和压缩器，造成组视觉 token。这些 token 通过双向详实力进行全局感知——就像你拿到张文档，先”扫眼”知谈大约试验。

然后，DeepSeek 引入了组”因果流查询”（Causal Flow Queries），这些查询 token 不错关爱扫数视觉 token，但只可关爱之前的查询 token。每个查询 token 会字据我方的勾通，”挑选”它认为应该下个读取的视觉 token。

这就像你在读文档时的内心行径——”刚刚读了标题，面前应该去看选录”、”看完选录了，预应力钢绞线图表好像灵验，先看图表”。

终，只须因果流 token 的输出会被送入解码器，生成终的文本。这畸形于编码器先帮你”排好阅读规则”，解码器只需要按规则践诺就行了。

DeepSeek 把这个经过称为”两联因果理”：

：编码器里面通过因果查询对视觉 token 进行语义重排

二：LLM 解码器在有序序列上践诺自归来理

果考证：91.09 得分，阅读规则进步 33

DeepSeek 在 OmniDocBench v1.5 基准上作念了测试。这个基准包含 1355 页文档，粉饰中英文的 9 大类别（杂志、学术论文、参议敷陈等），是现时严格的文档勾通评测之。

后果：

举座得分：91.09

比较 DeepSeek-OCR 进步：3.73

这个进步看着还行，但真实让我惟恐的是”阅读规则”（Reading Order）标的——裁剪距离从 0.085 降到了 0.057。

裁剪距离是什么？便是”把 AI 读出来的规则转机到正确规则，需要些许次操作”。从 0.085 降到 0.057，意味着 AI 的阅读规则接近东谈主类了，了约 33。

妙的是，DeepSeek-OCR 2 在保持精度的同期，视觉 token 数目舍弃在 256 到 1120 之间，和 Google 的 Gemini-3 Pro 畸形，但远低于 MinerU2.0（6000+ token）。这意味着什么？意味着用少的资源，已矣了好的能。

坐褥环境施展

DeepSeek 还走漏了坐褥环境的施展。这个挺重要的，因为好多模子在基准上施展很好，但到实战就崩了。

他们主要看两个标的：在线用户日记图像的疏通率、PDF 批搞定数据的疏通率。

后果：

在线用户日记图像：疏通率从 6.25 降到 4.17

PDF 批搞定数据：疏通率从 3.69 降到 2.88

疏通率是什么？便是 AI 输出疏通试验的比例。疏通率，评释 AI 在”瞎猜”——它不知谈该读那处，就在那儿瞎编。疏通率下落，评释 AI 的阅读逻辑准确了，瞎猜变少了。

后

写到这里，我合计这篇论文的道理不仅仅蜕变了 OCR，而是指向了个大的向——统全模态编码器。

DeepSeek 在论文里说，DeepEncoder V2 的架构不错彭胀到其他模态。以前，同个编码器可能搞定图像、音频、文本，皆通过”不雅察全局 → 决定规则 → 因果理”的逻辑。

为什么这样说？因为 DeepEncoder V2 的中枢不是”视觉特征索求”，而是”因果理技艺”。图像需要按语义规则读，音频需要定期间规则勾通，文本本人就需要因果详实力。

如若这些模态皆通过同个编码器搞定，它们就能分享”因果理”的技艺，而不是每个模态单打算套架构。

这可能是通向原生多模态的条路。

参考而已：

本文由 @卡萨丁AI 原创发布于东谈主东谈主皆是产物司理。未经作家许可，不容转载

题图来自Unsplash，基于CC0公约

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定盐城预应力钢绞线厂，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。