DeepSeek OCR2 核心观点与关键数据
传统OCR的痛点
现实文档多为图文混排,传统AI难以准确识别阅读顺序,导致OCR结果混乱。
DeepSeek-OCR2的解决方案
DeepSeek OCR2创新性地将“阅读顺序/阅读逻辑”处理前置至编码器(Encoder):
- 提出**Visual Causal Flow(视觉因果流)**机制
- 先将2D文档内容按语义重排为符合阅读逻辑的1D因果流
- 再交由LLM生成结果,使视觉编码器学习更接近人类阅读习惯的机制
技术效果
在OmniDocBench v1.5测试中,综合得分达到91.09,显著优于上一代DeepSeek OCR。
技术启发
- 将二维理解拆解为两层级的“一维因果推理”:
- Encoder负责构建阅读流
- Decoder负责生成与推理
- 未来可能适用于所有多模态领域任务,从“先学会读顺序”的思路中获益