像人一样看
在大模型不断向多模态发展之后，一个看似基础、其实一直没有被真正解决好的问题开始变得越来越重要：模型到底是怎么"看图"的。过去很多视觉语言模型在处理图片时，本质上仍然沿用一种比较机械的方式------先把二维图像切成一块块视觉 token，再按照固定顺序送进模型，常见的就是从左上到右下逐行扫描。这种方法实现简单，但也带来一个明显问题：图片本来是二维结构，而页面理解、文档阅读、表格识别这些任务，往往并不是靠固定顺序就能完成的。人类在看一页复杂文档时，通常不会老老实实按像素顺序扫过去，而是会先注意标题、再看主体、再定位表格、图注和重点区域。DeepSeek 在 2026 年 1 月提出的 DeepSeek-OCR 2，正是试图解决这个问题。它不再满足于"把图像压成 token 交给大模型"，而是进一步追问：模型能不能先学会一种更接近人类阅读逻辑的视觉信息组织方式，再去理解内容。
技术概述
这篇论文的核心创新，是一个叫做 DeepEncoder V2 的新编码器。按照论文的说法，它的目标不是简单提取视觉特征，而是能够根据图像语义动态重排视觉 token。作者认为，传统方法把视觉 token 固定成栅格扫描顺序，其实给模型加入了一种并不合理的先验；对于复杂版式图片，这种顺序和人类真正的观察方式并不一致。为了解决这个问题，DeepSeek-OCR 2 把原来类似 CLIP 的视觉编码部分，替换成了一种更接近 LLM 风格的编码结构，同时引入了所谓的 causal flow tokens，并通过专门设计的 attention mask，让视觉 token 保持全局可见，而这些 flow token 则可以逐步、因果式地重新组织视觉信息。最后，送入解码器的不是原始视觉 token，而是已经经过这一步"阅读逻辑重排"的表示。论文甚至把这个思路概括成一个更大的问题：二维图像理解，是否可以拆成两级串联的一维因果推理结构来完成。
技术详解
先用一句人话概括这段：DeepSeek-OCR 2 觉得，问题不只是"模型能不能看懂图片"，而是"模型是不是先按合理的顺序去看图片"。 传统方法常常把图片切成很多小块后，按固定顺序一块块送进模型，比如从左上到右下扫过去；但真实文档、表格、公式页、海报这类图片，并不是这样读的。人会先看标题，再看正文，再找表格和关键区域，所以论文想让模型先学会"怎么按语义组织视觉信息"，再去输出结果。
这里最先要懂的词是 编码器（encoder） 和 解码器（decoder） 。你可以把它们理解成两道工序：编码器负责"看图、提取信息、整理信息"，解码器负责"根据整理好的信息，把答案写出来"。这篇论文整体上仍然沿用 DeepSeek-OCR 原来的 encoder-decoder 架构，只是把原来的编码器升级成了 DeepEncoder V2。也就是说，这篇文章的创新重点不在"最后怎么生成文字"，而在"前面如何把图片读明白"。
接下来是 visual token（视觉 token）。你可以把它理解成"图片被切碎后得到的一小块一小块的信息单元"。就像大语言模型把一句话切成 token 来处理，视觉模型也会把一张图拆成很多局部块，再把每一块变成向量表示。论文里先用一个 vision tokenizer 把图像变成视觉 token，这一步本质上就是把原始图片转成模型能算的"视觉小块序列"。
问题出在：图片本来是二维的，但模型最后往往要按一维序列处理它。 一旦变成序列，就得有先后顺序。传统做法通常采用 raster-scan order（栅格扫描顺序），也就是从左到右、从上到下，像打印机或屏幕刷新那样依次处理。这个顺序在普通自然图片里未必特别糟，但在文档、表格、票据、复杂排版页面里，经常并不符合真实阅读逻辑。比如你看一张带标题、图注、表格和脚注的页面，并不会机械地沿像素顺序扫，而是按内容结构跳着看。论文认为，传统视觉语言模型把视觉 token 固定成这种扫描顺序，相当于提前塞给模型一个不太合理的假设。
这里的 先验（prior），你可以简单理解成"模型在正式理解内容之前，被强行规定好的一种默认规则"。这篇论文批评的"顺序先验"就是：还没真正理解图片含义，就先规定这些视觉 token 必须按左上到右下排列。问题在于，这种排列方式更多来自坐标，不来自语义。对于 OCR 来说，真正重要的常常不是"这块在第几行第几列"，而是"这块和标题、表格、正文谁先谁后、彼此是什么关系"。
然后是 CLIP 。你现在不用把它理解得太复杂，直接把它看成一种很经典的图文对齐视觉模型就够了。论文中提到，旧版 DeepEncoder 里，vision tokenizer 后面接的是一个 CLIP ViT 模块，用来做视觉知识压缩；而 DeepEncoder V2 把这一块改造成了更像大语言模型的结构。这里所谓 LLM-style architecture（LLM 风格结构），不是说它变成了普通文本模型，而是说它借用了大语言模型特别擅长的那套"按序列做推理和信息组织"的方式，来处理视觉 token。
最关键的新东西叫 causal flow queries / causal flow tokens。这个名字看着吓人，其实你可以把它理解成一批"专门负责重新整理视觉信息的查询位"。论文做法不是直接把原始视觉 token 一股脑送给后面的语言模型，而是在视觉 token 后面再接上一串可学习的 query token。每个 query token 都可以去看所有视觉 token，还可以参考前面已经处理过的 query token，于是它们就像一支按步骤推进的整理队伍：前面的 query 先提炼一部分视觉信息，后面的 query 再在前面基础上继续组织和重排，最后形成一套更符合语义顺序的表示。论文明确写到，这些 query 的数量和视觉 token 数量保持一致，而且最后真正送进 LLM decoder 的，不是原始视觉 token，而是这些 causal query 的输出。
这里的 causal（因果式） 也别按哲学理解，放在模型里，它更接近"有先后依赖关系"。也就是后一个 token 只能看前面的，不能偷看后面的。这和大语言模型逐词生成文本很像：当前词只能基于前文预测，不能提前知道后文。论文借用这个机制，不是为了生成句子，而是为了让视觉信息的整理过程也变成"前一步影响后一步"的链式推进。这样模型就不只是平铺地看见所有图块，而是在逐步建立一种阅读流。
再解释 attention mask（注意力掩码） 。你可以把它理解成"谁允许看谁的规则表"。在 Transformer 里，不是所有 token 都一定能互相看见，attention mask 决定了信息流怎么走。论文这里设计了两块区域：原始视觉 token 那一边用 bidirectional attention（双向注意力） ，意思是视觉 token 彼此都能互相看见，方便保留完整的全局图像信息；而 causal flow token 那一边用 causal attention（因果注意力、下三角掩码），意思是每个 flow token 只能看前面的 flow token，不能看后面的。把这两个规则拼起来后，效果就是：模型一边保留"整张图全局可见"的能力，一边又能让 query token 以顺序推进的方式去整理视觉信息。
论文还特别强调，这套结构可以看成 two-stage cascade causal reasoning（两级串联的一维因果推理）。第一层发生在编码器里：它先通过这些 causal queries，把二维图像中的视觉块重新组织成更有语义顺序的一维序列。第二层发生在后面的语言解码器里：语言模型再沿着这个已经整理好的序列，按自回归方式一步步输出文字结果。你可以把它理解成：第一层先解决"怎么读图"，第二层再解决"怎么说出来"。作者想表达的是，二维图像理解未必一定要靠一个显式二维推理器，也许可以拆成两段一维、但有逻辑链条的处理过程来完成。
测试结果
从实验结果看，DeepSeek-OCR 2 的提升并不只是"换了个结构，分数稍微高一点"。论文选用的主测试集是 OmniDocBench v1.5，这是一套专门评估文档解析能力的基准，包含 1355 页中英文文档，覆盖学术论文、教材、杂志、报纸、研究报告、考试卷等 9 大类型。它测的不只是"字认得准不准"，还会分别考察普通文本、表格、公式以及阅读顺序这些更接近真实文档理解的问题。也就是说，这个测试集更像是在问模型：你到底有没有把一整页文档真正读明白，而不只是看见了一些字。
在这个基准上，DeepSeek-OCR 2 的综合得分达到 91.09%，相比上一代 DeepSeek-OCR 的 87.36% 有明显提升。更重要的是，论文里最值得注意的不是总分，而是几个更具体的指标。这里反复出现的 Edit Distance，可以简单理解成"模型输出离标准答案还差多少修改步数"，数值越低，说明越接近正确结果。比如 TextEdit 测的是普通文字内容的提取质量，数值从 0.073 降到 0.048，说明正文识别更准了；TableEdit 测的是表格内容和结构的还原质量，从 0.123 降到 0.096，说明表格被读乱、列行关系错位的情况减少了；FormulaEdit 则对应公式识别，虽然论文这一段没有重点展开，但它也从 0.236 降到 0.198。最能体现这篇论文核心思想的，是 R-order Edit，也就是阅读顺序误差，它只看文本块之间的顺序，不把表格和图片算进去；这个指标从 0.085 降到 0.057，说明 DeepSeek-OCR 2 在"先读哪里、后读哪里、哪些段落该连在一起"这件事上做得更好了。最后的 OverallEdit 可以看成整页文档解析的综合误差，它从 0.129 降到 0.100，说明整体页面理解能力确实提升了，而不只是某一个局部模块碰巧变强。
这组结果还有一个很关键的背景：DeepSeek-OCR 2 的提升并不是靠"让模型看更多图像块"硬堆出来的。论文专门对比了 visual token 的上限，也就是模型最多能用多少视觉小块去表示一页图像。DeepSeek-OCR 使用的是 1156 个视觉 token，而 DeepSeek-OCR 2 是 1120 个，预算并没有变得更宽松，反而略紧一些。换句话说，它不是靠"看得更多"赢的，而更像是靠"看得更有条理"赢的。论文还把它和 Gemini-3 Pro、Seed-1.8 放在同一张表里比较，说明作者想强调的是：在相近视觉预算下，DeepSeek-OCR 2 的文档解析误差更低。
除了实验室里的 benchmark，论文还给了两组更贴近实际部署的数据。一组是线上用户上传图片的 OCR 日志，另一组是批量处理 PDF、为大模型生成训练数据的生产流水线。因为真实生产环境里通常拿不到标准答案，所以这里没法像 benchmark 一样直接算准确率，论文就改用 repetition rate，也就是"重复生成、重复抄写、输出啰嗦打转"的比例，作为最容易观测的质量信号。结果显示，DeepSeek-OCR 2 在线上图片日志中的重复率从 6.25% 降到 4.17%，在 PDF 数据生产中的重复率从 3.69% 降到 2.88%。这说明它不仅在论文测试集上更强，在实际使用时也更不容易出现那种 OCR 模型常见的"同一句重复、段落粘连、结构混乱"的问题。
所以，这篇论文最有说服力的地方，不是总分涨了多少，而是它在"阅读顺序、表格结构、整页解析质量"这些真正体现文档理解能力的指标上都更稳定地变好了，而且这种提升并不是靠增加视觉 token 硬堆出来的。
TO SUM UP
总的来看，DeepSeek-OCR 2 的意义，不在于它单纯证明了 OCR 还能继续涨分，而在于它提醒人们：多模态模型的难点，未必只在"识别能力"本身，也可能在"信息组织方式"上。对于复杂文档而言，真正接近人类阅读的，不是机械地扫过所有像素，而是先建立结构、再理解内容、最后输出结果。DeepSeek-OCR 2 正是在这个方向上往前推进了一步。它让我们看到，未来更强的视觉语言模型，也许不只是拥有更大的参数和更长的上下文，而是会越来越重视"如何读取"这件事本身。从这个角度看，这篇论文讨论的已经不只是 OCR，而是在探索多模态模型是否能够像人一样，更有条理地理解二维世界。