【像人一樣閱讀文檔！DeepSeek發布新一代OCR模型，識別性能提升近4%】
文章圖片
太平洋科技快訊】1 月 27 日消息 ， DeepSeek 今日發布新一代文檔識別模型 DeepSeek-OCR 2 ， 在前代基礎上通過視覺編碼器設計的創新實現識別性能提升 。
研究團隊提出名為 DeepEncoder V2 的全新編碼器架構 ， 能夠根據圖像語義動態調整視覺信息處理順序 ， 使模型在進行文字識別前先對視覺內容進行智能排序 。 這一“視覺因果流”技術改變了傳統模型按照固定柵格順序處理圖像的方式 ， 更貼近人類基于語義邏輯的跳躍式閱讀習慣 。
具體實現上 ， 研究團隊采用類語言模型結構替代了基于 CLIP 的視覺編碼模塊 ， 在編碼器內部引入可學習的“因果流查詢 token” 。 該設計同時包含雙向注意力與因果注意力兩種處理模式：原始視覺信息通過雙向注意力進行全局感知 ， 而查詢標記則通過因果注意力逐步建立語義順序 ， 實現對視覺 token 的動態重排 。 最終只有經過語義重排的查詢 token 會被送入基于混合專家架構的語言模型解碼 ， 在保持與前代相近資源開銷的前提下完成識別任務 。
性能測試顯示 ， 在 OmniDocBench v1.5 基準評估中 ， DeepSeek-OCR 2 整體得分達到 91.09% ， 較前代提升 3.73% 。 其閱讀順序準確度有所改善 ， 編輯距離從 0.085 降至 0.057 。 實際應用數據顯示 ， 在線用戶日志圖像的重復率從 6.25% 降至 4.17% ， 批處理PDF數據的重復率從 3.69% 降至 2.88% ， 在復雜文檔場景中展現出更強的結構理解能力和運行穩定性 。
推薦閱讀
- AI手搓的Cowork“李鬼”版跟“李逵”一樣能打！還免費？
- 亞馬遜Kindle Scribe降至280美元助你實現2026年閱讀目標
- 一夜200萬閱讀，OpenAI神同步！這項測評框架讓全球頂尖LLM全翻車
- AP2O-Coder 讓大模型擁有「錯題本」，像人類一樣按題型高效刷題
- 升級之后，高德掃街榜確實不一樣了
- DuRoBo Krono：搭載AI助手的智能手機尺寸電子閱讀器
- MIT發現讓AI變聰明的秘密，竟然和人類一模一樣
- Gemini 確診重度焦慮：為了讓 AI 像人，我們把它逼瘋了
- RLinf v0.2嘗鮮版發布，像使用GPU一樣使用你的機器人！
- V-Thinker: 讓模型像人一樣「邊畫邊想」